R metafor：默认权重与手动设1/方差权重结果差异原因及参数确认

• 为什么指定W = 1/data_variance和默认结果不同？
  这个差异的核心原因在于：rma.mv在带有嵌套随机效应（~ 1 | study_id/arm_id）的模型中，默认权重不是单纯的逆抽样方差，而是结合了随机效应方差分量后的总方差的逆。

  具体来说，每个效应量yi的总方差由两部分组成：

  1. 你传入的V = data_variance——这是每个效应量的抽样方差（已知的研究内变异）
  2. 模型自动估计的随机效应方差（比如study_id层面的组间异质性、arm_id层面的亚组异质性）

  默认情况下，rma.mv会计算每个yi的边际方差（抽样方差 + 随机效应方差），然后用这个边际方差的倒数作为权重。而当你手动指定W = 1/data_variance时，相当于强制模型只使用抽样方差的倒数作为权重，完全忽略了随机效应带来的额外变异，这就直接导致了系数估计、标准误甚至模型拟合结果的差异。

  举个直观的例子：如果你的随机效应方差很大（比如不同研究之间的异质性极强），那么总方差会远大于抽样方差，默认权重会比1/data_variance小很多，模型不会过度偏向抽样方差小的研究；而手动指定W的话，会给抽样方差小的研究赋予过高的权重，结果自然就不一样了。

  补充一句：如果是没有随机效应的固定效应模型，默认权重确实是1/V，这时候指定W=1/V结果会完全一致，但你这里是多水平随机效应模型，情况就不同了。

• 关于V参数的正确使用
  你当前用V = data_variance是完全正确的！V参数要求传入的就是每个效应量yi的抽样方差——也就是你从原始研究中计算出来的、每个效应量本身的变异程度（比如均值标准误的平方，或者率差的方差等）。模型会基于这个已知的抽样方差，再加上随机效应的方差分量，来构建完整的方差结构。

内容的提问来源于stack exchange，提问作者NewR