在PET-PEESE和用于荟萃分析的多层次方法之间陷入困境：是否有快乐的媒介？

我目前正在进行荟萃分析，为此我需要分析样本中嵌套的多个效应大小。与部分其他可能的策略（例如，忽略依赖性，在研究中平均效应大小，选择一种效应大小或转移分析单位）。我的许多因果效应大小的相关性都涉及相当独特（但局部相关）的变量，因此对它们进行平均计算在概念上是没有意义的，即使这样做，也将我要分析的总因果大小数减少了近一半。

但是，与此同时，我也对在评估荟萃分析效果的过程中使用Stanley＆Doucouliagos（2014）的解决出版偏见的方法感兴趣。简而言之，要么适合使用一种元回归模型，即可通过其各自的方差（精密效果测试或PET）或各自的标准误差（带有标准误差的精密效果估计值或PEESE）来预测研究效果的大小。根据拦截模型在PET模型中的重要性，可以使用PET模型的拦截（如果PET拦截p > .05）或PEESE模型（如果PET拦截p <.05）作为估计的发布-无偏差平均效果大小。

但是，我的问题源于Stanley＆Doucouliagos（2014）的摘录：

在我们的模拟中，总是包含过多的无法解释的异质性。因此，按照常规做法，应优先选择REE [随机效应估计器]，而不是FEE [固定效应估计器]。但是，当选择出版物时，常规做法是错误的。通过选择具有统计意义的变量，REE总是比FEE更为偏见（表3）。这种可预测的劣势归因于以下事实：REE本身就是简单平均数（具有最大的发布偏差）和FEE的加权平均值。

这段话使我相信，我不应该在随机效应/混合效应荟萃分析模型中使用PET-PEESE，但是多层次的荟萃分析模型似乎需要一个随机效应估计量。

我为该做的事而感到痛苦。我希望能够对我所有的依存效应大小进行建模，但同时要利用这种特殊的出版偏倚校正方法。我是否可以通过某种方式将3级荟萃分析策略与PET-PEESE合法整合？

参考文献

张铭华（2014）。使用三级荟萃分析来建模依赖效应的大小：一种结构方程式建模方法。心理学方法，19，211-229。

Stanley，TD，＆Doucouliagos，H.（2014年）。元回归近似可减少出版物选择的偏见。研究综合方法，5，60-78。

我主要按照Cheung方法（但不包括3个级别）进行荟萃分析，最近遇到了PET-PEESE方法来纠正出版偏倚。两种方法的组合也让我很感兴趣。到目前为止，我的经验。我认为有两种方法可以解决您的问题。一个简单的和一个更复杂的。

下面的引用似乎暗示了随机效应会加剧发布偏向，因此对我来说，如果您怀疑发布偏向是一个问题，则不能简单地使用随机效应模型。

通过选择具有统计意义的变量，REE总是比FEE更为偏见（表3）。这种可预测的劣势归因于以下事实：REE本身就是简单平均数（具有最大的发布偏差）和FEE的加权平均值。

我认为出版偏见是一个严重的问题。

简单方法：在PET-PEESE下建模异质性

如果我正确理解了问题，我认为这种方法是最实际的出发点。

PET-PEESE方法有助于扩展荟萃分析的回归。如果异质性的来源主要来自效果大小的不同变量，则可以通过为每个变量包括指标变量（1/0）*将异质性建模为固定效果。另外，如果您怀疑某些变量具有更好的测量属性或与您感兴趣的结构更相关，则可能需要看一下Meta分析的Hunter和Schmidt风格。他们对测量误差提出了一些更正。

这种方法可能会让您初步了解通过PET和PEESE截距得出的发布偏差的大小，以及基于固定效果差异的异质性。

更为复杂的方法：明确建模异质性和发布偏差

我的意思是，您根据Stanley和Doucouliagos的论文对发布偏向的发生进行了显式建模。您还必须明确将“祥”的三个级别写为随机效果。换句话说，这种方法需要您自己指定可能性，并且可能本身就是方法论上的贡献。

我认为可以按照Stan中的分级贝叶斯方法并使用后验估计来指定这种可能性（具有适当的先验）。该手册有一小段关于荟萃分析。用户列表也非常有帮助。

第二种方法可能在现阶段对您想要的东西过于矫kill过正，但它可能比第一种方法更正确。我会对它是否有效感兴趣。

*如果您有很多变量（而不是很多效果量），则最好将类似变量分组（是，这是一个判断调用），然后使用组指示符变量。