Meta分析：t值转Pearson’s r与均值SD转Cohen’s d再转r哪种更准确？

这是Meta分析中处理效应量转换的常见实操问题，我结合一线经验给你拆解下核心差异：

理论本质：二者完全等价 #

首先要明确：两种方法在统计学理论上是完全等价的——因为独立样本t统计量本身就和Cohen’s d直接挂钩：t = d * sqrt((n1*n2)/(n1+n2))。不管是从t转r，还是先转d再转r，本质都是基于同一组原始数据推导的。但实操中因为作者报告的数值精度问题，会出现实际误差差异。

实操准确性对比 #

1. 直接从t转r：误差更小，优先选择 #

如果作者报告了独立样本t检验的统计量，直接用这个公式转换：

r = t / sqrt(t² + df)

其中df = n1 + n2 - 2（独立样本t检验的自由度）。

这种方法的核心优势：

• 跳过中间计算环节，直接复用作者已经计算好的t值（通常t值会保留更多小数位，精度更高），避免了因均值、标准差四舍五入导致的二次误差。
• 不需要手动计算合并标准差，减少了人为出错的概率。

2. 先算Cohen’s d再转r：仅当无t值时使用 #

如果作者只报告了均值、标准差和样本量，只能先计算Cohen’s d：

d = (M1 - M2) / SD_pooled
SD_pooled = sqrt( ((n1-1)*SD1² + (n2-1)*SD2²) / (n1+n2-2) )

再转换为r：

r = d / sqrt(d² + (n1+n2)/(n1*n2)*(n1+n2-2))

（当两组样本量相近时，可简化为r = d / sqrt(d² + 4)，误差极小）

这种方法的潜在问题：

• 如果作者报告的均值、标准差是经过四舍五入的（比如只保留1-2位小数），你计算出的d会和作者计算t时用的真实d存在偏差，进而导致r的误差。
• 手动计算合并标准差容易出错，尤其是样本量不等的情况。

关键注意事项 #

• 配对t检验的特殊情况：如果是配对设计，t转r的公式不同，应为r = t / sqrt(t² + n - 1)，其中n是配对样本数；对应的d是Cohen’s dz，转换公式也会有区别。
• 无论用哪种方法，都要仔细核对作者报告的统计量是否对应正确的检验类型（独立/配对），避免用错公式。

内容的提问来源于stack exchange，提问作者Bobby