关于meta分析为什么要使用随机效应模型如下:
随机效应模型得出的结论偏向于保守,置信区间较大,更难以发现差异,带给我们的信息是如果各个试验的结果差异很大的时候,是否需要把各个试验合并需要慎重考虑,作出结论的时候就要更加小心。
拓展知识——随机效应模型
随机效应模型(random effects models),简称REM,是经典的线性模型的一种推广,就是把原来(固定效应模型)的回归系数看作是随机变量,一般都是假设是来自正态分布。如果模型里一部分系数是随机的,另外一些是固定的,一般就叫做混合模型。
简介
在面板数据线性回归模型中,如果对于不同的截面或不同的时间序列,只是模型的截距项是不同的,而模型的斜率系数是相同的,则称此模型为固定效应模型。随机效应模型把原来(固定)的回归系数看作是随机变量。
除了随机效应模型,典型的面板数据分析方法还有固定效应模型和混合效应模型。固定效应模型(FEM)假设所有的纳入研究拥有共同的真实效应量,而随机效应模型(REM)中的真实效应随研究的不同而改变。
基于不同模型的运算,所得到的合并后的效应量均数值也不相同。早在1976年,第一篇Meta分析就使用FEM进行了数据合并,基于其统计简洁性及异质性认知,致使FEM广泛使用,直到2006年仍然有四分之三的Meta分析的文章在使用。
然而,随着方法学不断更新及异质性理解,方法学家们对于证据合并内在结构理解与剖析,已开始逐渐对“理想”状态的FEM产生疑问。随后,REM逐渐被使用,并替代部分FEM。
随机效应模型的用途
随机效应最直观的用处就是把固定效应推广到随机效应。注意,这时随机效应是一个群体概念,代表了一个分布的信息or特征,而对固定效应而言,我们所做的推断仅限于那几个固定的未知的参数。