如果我有很多积极的，微不足道的结果，我是否可以测试“ 这些结果中至少是积极的”？

假设我分别对100个不同的人进行了相同的回归分析。我感兴趣的系数是正的（并且彼此之间有很大差异），但在所有100个结果中统计上都无关紧要（假设每个p值= 0.11）。

有没有一种方法可以将这些p值组合起来，以得出“这些结果中至少有80个是阳性”的结论，其意义远大于p = 0.11？我的在线搜索仅显示了我如何通过Fisher或类似测试怎么说“这些结果中至少有1项是肯定的”，但我无法对此结果进行概括。我想测试“ H0 =所有100种效果在0时都相同”对“ HA =至少80种效果是正值”。

我的目标不是说平均有一个正系数，也不是专门测量该系数。我的目标是有意义地证明，至少有80个人面对着一些积极的影响，而不论80个人，以及每个人感受到的影响程度如何。

您应该将所有100个分析作为一个单独的混合效应模型进行分析，并使用感兴趣系数随机变量本身。这样，您可以估算这些系数的分布，包括它们的整体均值，这将为您提供我想寻找的解释。

请注意，如果我怀疑是这种情况，那么您需要为每个人都有一个时间序列，则还需要校正残差的自相关。

在简单的做事情很可能是一个符号检验。零假设是，每个结果具有相等的正数或负数概率（例如翻转公平硬币）。您的目标是确定在可以拒绝的零假设下观察到的结果是否不太可能。

从一枚普通硬币的100次翻转中获得80个或更多正面的可能性是多少？您可以使用二项分布来计算。在中R，相关函数称为pbinom，您可以使用以下代码行获得（单侧）p值：

pbinom(80, size = 100, prob = 0.5, lower.tail = FALSE)

根据该测试，您的直觉是正确的，如果治疗无效，您极不可能偶然获得80个阳性结果。

一个密切相关的选择是使用诸如Wilcoxon签名秩检验之类的方法。

一个更好的办法，如果你真的想估计的影响大小（而非仅仅确定是否它往往是大于零或者没有），可能会是一个层级（“混合”）模型。

在这里，模型说您的100个人的结果来自一个分布，您的目标是查看该分布的平均值在哪里（以及置信区间）。

混合模型可让您更多地说明效果大小：拟合模型后，您可以说“我们估计，尽管数据与真实平均值相符，但我们的治疗倾向于平均改善三个单位的结果”效果大小在1.5到4.5单位之间。此外，个体之间也存在一些差异，因此给定的人可能会看到-0.5到+6.5单位之间的效果。”

这是一组非常精确和有用的陈述，比“效果平均而言可能是积极的”要好得多，这就是为什么这种方法倾向于受到统计学家的青睐。但是，如果您不需要所有这些细节，那么我提到的第一种方法也可以。

也许我完全理解错了，但是在我看来，您正在尝试执行重复测量方差分析。只需将此“虚拟”定义为主题内因素，然后模型即可完成其余工作。意义本身不是很丰富。它是必需的，但还不够；只要有足够多的观察值，任何模型都将变得有意义。您可能需要获取效果大小，例如（部分）Eta-Squared，以了解您的效果有多“大”。我的2美分。

它可能像普通的ANCOVA计算一样简单，但是分析数据的适当方法将取决于实际情况，而您没有提供这些细节。