meta分析为什么要使用随机效应模型

Question

如题所述

Answer 1

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。