meta分析中固定效应模型、随机效应模型和混合OLS模型的选择在Meta分析中最常用的是固定效应模型、随机效应模型。怎样理解这两种模型呢？举个简单的例子：让十个学生去测量操场中的同一根旗杆，旗杆长度的测量值可以看作是一个固定效应模型；然而如果让一个学生去测量操场上长度不同的十根旗杆，旗杆长度的测量值则是随机效应模型。一般来说，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。从另一个角度来说，Meta分析本来就是用来分析结论不一致甚至是相反的临床试验，通过Meta分析提供一个可靠的综合的答案，如果每个试验的结果都一模一样，根本就没有必要作Meta分析，因此要通过齐性检验来解决这对矛盾。一般来说判断方法是根据I2来确定。1.就是根据I2值来决定模型的使用，大部分认为＞50%，存在异质性，使用随机效应模型，≤50%，用固定效应模型，有了异质性，通过敏感性分析，或者亚亚组分析，去探求异质性的来源，但是这两者都是定性的，不一定能找到，即使你做了，研究数目多的话，可以做个meta回归来找异质性的来源2.在任何情况下都使用随机效应模型，因为如果异质性很小，那么随即和固定效应模型最终合并结果不会有很大差别，当异质性很大时，就只能使用随机效应模型，所以可以说，在任何情况下都使用随机效应模型3.还有一种，看P值，一般推荐P的界值是0.1，但现在大部分使用0.05，就是说P＞0.05，用固定，≤0.05用随机效应模型。但是这些都没有统一的说法，存在争议，如果你的审稿人是其中一种，你和他相冲突了，你只能按照他说的去修改，因为没有谁对谁错，但是现在你的文章在人家手里，如果模型不影响你的结果，你就遵照他们的建议但是，也不必过度强调哪种方法，更重要的是找到异质性根源。meta分析中，异质性是天然存在的。如果异质性较小，选择固定效应模型更可靠；如果异质性较大，则建议选择随机效应模型，但仍然需要通过敏感性分析，寻找到异质性根据，以消除其影响。有关异质性，齐性，下面再有一个例子进行说明：Meta分析是汇总众多研究结果的一种定量分析方法，主要目的是为了得到比单一研究更精确的结果估计，以及分析影响研究结果间差异的因素。目前，Meta分析主要根据研究的“效应尺度”(effectmagnitude)的齐性检验结果，决定采用固定效应或随机效应模型合并每项研究的“效应尺度”，但一般未考虑到研究具有不同的特征以及相应的平均“效应尺度”的差异［2］。多水平模型是国外教育学界80年代中后期发展起来的一门多元统计分析新技术，是当前国际上统计学研究中一个新兴而重要的领域［1］。本文拟通过对“效应尺度”的选择以及具有协变量的两水平混合效应模型建模方法的探讨，估计总平均“效应尺度”以及具有不同研究特征的平均“效应尺度”及其可信区间。Meta分析的数据具有两个水平的层次结构(two-levelhierarchy)，水平2为研究水平，水平1为个体水平。对于具有这种特征的数据，两个水平模型可将传统模型中单一的随机误差项分解到与数据层次结构相对应的水平上，即分解出研究水平的变异。模型基本结构为：Yij=β0+u0j+eijj=1,2,…,m,代表研究项目数；i=1,2,…,n，代表研究个体数；Yij为各项研究的“效应尺度”；β0为总平均“效应尺度”的估计；u0j和eij分别为研究水平和个体水平残差。Meta分析一般只能得到各项研究的结果即“效应尺度”及其标准误以及样本含量等数据，研究个体的数据一般是不可得的，因此，这里拟合的两水平模型为聚集水平(水平2)模型，可表达为：Y*j=β0+u.j+e*jVar(u.j)=σ2uVar(e.j)=σ2e/nj总方差为σ2u+σ2e/nj，可通过对随机部分定义一个设计变量来拟合模型，即z.j=1/nj，相应的随机系数为e.j,nj为每项研究中的研究个体数。本文首先拟合的无任何解释变量的“无效模型”(nullmodel)为：Y.j=β0+u.j+e.jz.j在收集到的文献中，多数研究的“效应尺度”为OR值，有的为ln(OR)值，即通过logistic回归模型获得的β值，两者可相互转换。分别将OR值和ln(OR)值作为反应变量拟合两个“无效模型”，...