前阵子帮一位做教育测评的朋友整理文献遇到一个挺典型的场景同一份学习动机量表在不同研究里报告的Cronbachs alpha从0.58到0.92都有审稿人要求“不要简单汇报范围最好给出一个汇总区间”。这听起来很像meta分析该干的活但当时脑子里的meta分析全是SMD、OR那一套跟信度系数完全对不上。后来刚好赶上我用StataNow更新到Stata 18的最新补丁官方meta功能顺手了不少干脆系统做了一遍总结。这篇内容适合两类人一是正在做量表开发、量表验证或者准备写心理测量学综述的硕士博士二是早就有“想对信度、效度做定量汇总”的念头但一直没找到干净操作流程的科研从业者。我会从心理测量学meta分析的底层逻辑讲起把Cronbachs alpha、相关系数、诊断准确性这三类最常见的效应量怎么清洗、怎么转换、怎么跑Stata以及跑完怎么解读全部拆开讲明白。1. 先搞清楚心理测量学meta分析到底在分析什么1.1 和传统meta分析的核心区别在哪里传统的干预性meta分析效应量多来自两组均值之差典型代表是标准化均数差SMD、比值比OR和风险比RR。这类数据的基本结构是“两组结局”方差可以直接由组内标准差和样本量推算模型成熟资料也多。心理测量学meta分析不是这样。它汇总的是某个测量工具本身的表现想回答的问题通常不是“这个干预有没有效”而是“这个量表在不同人群、不同版本、不同文化背景下的信度到底是多少”“效标关联效度到底稳定不稳定”“某诊断工具区分患者与非患者的准确性到底怎么样”。效应量的性质完全不同自然不能照搬通用流程。最直接的影响体现在三点第一指标取值范围往往受限alpha在0到1之间相关系数在-1到1之间直接作为效应量进模型会带来分布偏态和方差不稳定问题第二每个研究的原始统计量换算成效应量时需要的标准误公式不是统一的必须按指标类型找对公式第三心理测量指标高度依赖研究情境异质性往往比干预研究还大meta回归几乎是必备操作而不是可选项。1.2 三类最常见的心理测量学meta分析这个领域在方法学上有几个专有名词检索文献时很常用。一类叫信度泛化研究reliability generalization简称RG。这是心理测量学meta分析里最经典的场景把某一个量表在历次研究中使用时报告的Cronbachs alpha或者McDonalds omega、重测信度当作效应量汇总出“这个量表在不同样本中的典型信度范围”。很多量表在发展初期只报告过一次内部一致性后来在不同文化、不同临床群体里使用时alpha的表现差距很大RG就是用来解决“这个工具到底稳不稳”这个问题的。另一类叫效度泛化研究validity generalization简称VG。通常是汇总效标关联效度也就是量表分数同一个外部效标变量之间的相关系数r。比如“警察招聘情境判断测验与工作绩效的相关到底是多少”把多个研究报告的r拿出来做meta分析得到总效应。第三类是诊断准确性meta分析diagnostic test accuracy meta-analysis简称DTA。更多出现在临床测评工具上比如焦虑筛查量表、认知评估工具。效应量是灵敏度sensitivity和特异度specificity或者由此汇出的AUC。这类分析的模型逻辑跟信度、效度很不相同涉及同一研究内部的灵敏度和特异度存在负相关所以通常要用双变量模型处理。2. StataNow更新之后Stata做心理测量学meta分析方便在哪2.1 先认识StataNow这个持续更新机制不少读者的Stata还停留在“装一个版本用三年”的模式这个习惯得改一改。StataNow是Stata公司自Stata 18开始推出的持续更新服务本质上是一个订阅式的补丁通道。你不需要等Stata 19或者再过几年的大版本只要持有Stata 18的许可证每隔一段时间就能通过官方更新获取新命令和新功能。我自己的体会是StataNow对实证研究者最大的价值不在新界面而在官方开始逐渐把以前靠社区第三方命令支撑的功能收编进核心库。这意味着命令的稳定性、文档质量、跟其他官方命令的兼容性都会更好也少了“别人机器上能跑换台电脑就报错”的烦恼。对于心理测量学meta分析来说Stata 18系列最大的变化是官方对meta命令体系的持续增强。Stata 17时代官方meta套件已经可用但做诊断准确性meta分析还是得依赖用户写的metandi、midas到了Stata 18的StataNow更新阶段官方推出了可以识别多阈值诊断数据的metadta命令这对我这种需要频繁处理筛查工具数据的人来说确实是一个质变。2.2 一套分析走完全程的命令分工现在做心理测量学meta分析我基本不再依赖第三方命令除非要做特别冷门的调整。官方命令体系大概是这样分工的分析环节官方命令作用数据定义meta set声明效应量及其标准误后续命令都基于这个设定描述性汇总meta summarize输出固定效应/随机效应的合并结果、异质性指标森林图meta forestplot可视化合并效应量、单个研究的权重和置信区间漏斗图meta funnel初步判断小样本研究分布和发表偏倚风险发表偏倚检验meta biasEgger检验、Begg检验等meta回归meta regress引入调节变量解释异质性剪补法meta trimfill校正可能的发表偏倚诊断准确性meta分析metadta拟合双变量模型汇总灵敏度和特异度如果你还在用Stata 15或16很可能没有这些新命令操作时要退回到metan、metareg、metandi这些第三方命令。我的建议是如果条件允许直接升级到Stata 18并开启StataNow更新省事太多。特别是当你需要在同一个项目里同时处理信度、效度和诊断准确性数据时官方命令的语法统一性非常香代码从alpha部分复制到r部分只需要改效应量和标准误那几行。2.3 一个版本兼容问题值得提前注意StataNow更新不是自动开启的需要你在Stata内联网检查更新并同意更新组件。有读者可能担心更新导致旧脚本失效我实际测下来meta套件的主命令语法几乎没有破坏性变化meta set之后的分析流程可以沿用。倒是如果用了老版用户命令midasStata 18之后可能会因为底层矩阵函数变动而报错需要切换到官方metadta。这也引出一个实操建议如果你的项目需要复现别人早期论文的DTA分析对方很可能是用metandi做的你拿到原始数据后不要执念于还原对方的命令直接用metadta重新拟合不仅逻辑更清晰汇报结果也跟最新的期刊要求更匹配。3. 数据准备先把所有指标转换到同一把尺子上3.1 Cronbachs alpha的效应量和标准误很多新手第一次做信度meta分析时直接往meta set里塞alpha值然后发现标准误不知道填什么。这是个关键卡点。alpha的抽样分布不是正态的尤其接近1时方差骤减直接把它当连续效应量使用会让小样本研究获得不可思议的权重。因此做alpha的meta分析常规路径有两个。路径一是使用方差近似公式直接以alpha为效应量。最常用的近似公式来自Bonett2002给定题目数k和样本量nalpha的近似方差为var(alpha) ≈ 2k(1 - alpha)^2 (1 (k - 1)alpha)^2 / [(k - 1)(n - 1)]。这个公式在alpha取值中等且样本量不算太小时表现不错操作简单很多信度泛化研究都在用。Stata里的写法很直接* 假设数据集里有变量n样本量、k题目数、alphaCronbachs alpha gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var)路径二是先对alpha做变换再以变换后的值为效应量。经典的Hakstian-Whalen变换是y (1 - alpha)^(1/3)。这个转换能把右偏分布拉向正态在很多模拟研究中比直接用alpha表现更稳。转换后可以用delta method求得近似方差但在实操中文阅读文献时你不一定每次都能找到变换后的方差公式所以我个人习惯直接用Bonett近似公式配合alpha原始值除非审稿人明确提出要求变换。一条比较稳的经验同一批数据路径一和路径二的结果通常方向一致合并alpha差不了多少重点是写清楚你的方法和相应公式。审稿人真正反感的是“拿到alpha就直接跑完全不交代标准误哪来的”。3.2 相关系数r的Fisher z变换效度泛化研究里的效应量十有八九是皮尔逊相关系数r。你不能直接拿r进模型因为r的抽样方差严重依赖总体相关的水平r越接近正负1方差越小同样样本量下权重就会失真。标准做法是Fisher z变换z 0.5 × ln((1 r) / (1 - r))对应的标准误是1 / sqrt(n - 3)。这段代码完全固定gen z 0.5*ln((1r)/(1-r)) gen z_se 1/sqrt(n-3) * meta分析结束后如果想汇报回r的单位反变换即可 gen r_pooled (exp(2*z_pooled)-1)/(exp(2*z_pooled)1)需要留意的是如果你meta分析中的效应量来自不同的相关系数类型比如一个研究是Pearson相关另一个研究是Spearman相关严格说必须先统一。Spearman相关在大样本下接近Pearson相关但排序信息毕竟损失了一些能不用尽量不用。如果某个研究只报告了p值或t值而没有报告r手算r时需要格外小心尤其要注意方向。3.3 诊断准确性指标的整理逻辑诊断准确性研究里一个研究通常报告一个2x2诊断表真阳tp、假阳fp、真阴tn、假阴fn。由此计算灵敏度 tp / (tp fn)特异度 tn / (tn fp)。对这类指标做meta分析不能简单把灵敏度和特异度当作两个独立指标分别合并这样会忽略两者在研究内部的负相关。现代方法学推荐双变量随机效应模型或HSROC模型两者的核心都是同时建模灵敏度和特异度保留研究内部的关联结构。用Stata时如果你有原始的四格表建议直接把tp、fp、tn、fn四列放进数据集让metadta去算灵敏度和特异度。如果原始文献里只给了灵敏度和特异度但没有四格表也不是完全不能分析但需要近似重构标准误可靠性会下降。做DTA meta分析有tpp/fp/tn/fn原始数据永远优于只有率值的数据。4. 三类心理测量学meta分析的Stata完整实操4.1 信度泛化研究对Cronbachs alpha做meta分析我用一个简化例子走一遍流程。假设你从文献中提取了10项研究每项研究都报告了某量表版本的样本量n、题目数k和内部一致性alpha想把它们合并成一个总alpha。先建立数据集这一步是基础千万别漏信息clear input str6 studyid n k alpha n01 120 20 0.82 n02 98 20 0.79 n03 200 20 0.85 n04 150 18 0.81 n05 80 20 0.74 n06 240 20 0.86 n07 175 22 0.83 n08 130 20 0.78 n09 90 20 0.76 n10 210 20 0.88 end接着计算效应量和标准误gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var)然后声明为meta分析数据集并汇总meta set alpha alpha_se, studylabel(studyid) meta summarize, random meta forestplot, random运行后重点看两个数字合并的alpha是多少95%置信区间是什么。另一个必看指标是I²。信度泛化研究里I²极高是常态因为alpha受到样本同质性、施测条件、量表版本的疯狂影响完全不异质反而奇怪。这时候不必惊恐下一步就该做meta回归解释异质性。如果想按某个分类变量看亚组结果可以直接加group选项meta summarize, by(version) random这个by选项在官方meta套件里做亚组森林图很方便不用再自己拆分样本分别跑。4.2 效度泛化研究对相关系数r做meta分析效度泛化的操作类似但效应量换成了Fisher z最后还要把结果倒回r。假设你有12项研究报告了量表的效标关联效度r和对应的样本量n。输入数据后clear input str6 studyid n r v01 100 0.36 v02 150 0.41 v03 120 0.28 v04 200 0.45 v05 85 0.22 v06 180 0.38 v07 140 0.30 v08 220 0.47 v09 95 0.25 v10 160 0.35 v11 110 0.31 v12 250 0.42 end gen z 0.5*ln((1r)/(1-r)) gen z_se 1/sqrt(n-3) meta set z z_se, studylabel(studyid) meta summarize, random如果合并z等于0.42那么反变换成r就是display (exp(2*0.42)-1)/(exp(2*0.42)1)得到约0.397。这就是最终的汇总效度系数。实际工作中比较难得的是不少原始文献报告的是多元回归的偏回归系数而不是简单相关。想纳入meta分析需要用公式从t值或beta值还原r但这样还原出来的r与直接报告的相关在意义上有细微差别混在一起开会增大异质性。我的态度是能不混就不混优先选用直接报告相关系数的研究。4.3 诊断准确性meta分析用metadta走通双变量模型DTA部分是StataNow更新后我最受益的场景。过去用metandi和midas语法繁琐不说还经常因为版本变动出现奇怪的bug。现在用官方的metadta流程清爽很多。假设你收集了8项关于某认知筛查工具的研究每项都有tp、fp、tn、fn四格表数据clear input str6 studyid tp fp tn fn d01 42 8 50 10 d02 55 15 70 12 d03 30 5 35 8 d04 70 20 80 15 d05 25 4 30 6 d06 48 10 60 9 d07 35 6 40 10 d08 60 12 75 10 end运行metadta的基本格式如下metadta tp fp tn fn, studyvar(studyid)这个命令会自动拟合双变量随机效应模型输出里既有合并灵敏度、合并特异度也有SROC曲线下的面积。你可以接着画图metadta tp fp tn fn, studyvar(studyid) sroc输出里有一栏值得专门关注灵敏度和特异度之间的相关系数。很多文献里这个相关系数是负的因为工具若把筛查阈值调高就会牺牲灵敏度换特异度。如果这个相关为负且明显说明原始研究内部确实存在阈值效应双变量模型比分开合并更合理。如果样本数据里没有四格表只有每个研究的灵敏度、特异度、患者/非患者人数那么需要在metadta中明确告知样本量否则标准误无从计算。这一点很多从综述表格里二次提取数据的人容易栽跟头。5. 异质性、调节变量和发表偏倚一个都不能少5.1 先说异质性心理测量学meta里高I²很正常跑完meta summarize如果看到I²直接飙到90%以上先不要慌。心理测量学指标受测量情境影响远大于治疗效果比如同一个量表在大学生样本和临床样本中测出的alpha差0.2完全可能这部分差异会被纳入异质性。我的判断习惯是三步第一看Q检验的p值显著说明异质性存在第二看tau²而不是只看I²tau²是真正的组间方差估计它比I²更能反映异质性对汇总结果的实质影响第三结合领域背景判断如果异质性本身有理论意义下一步就该做meta回归而不是一味逃避。5.2 meta回归把调节变量纳入模型信度meta分析中最常见的调节变量包括施测版本量表的翻译/改编版本、样本类型学生/社区/临床、样本平均年龄、施测国家或语言、发表年份等。用meta回归可以一次性考察多个调节变量的贡献。Stata里用meta regress* 若version是分类变量sample_type是分类变量year是连续变量 meta regress i.version i.sample_type c.year个人经验提醒连续调节变量最好做中心化处理否则截距的解释会变得很别扭。分类变量用i.前缀让Stata自动生成虚拟变量注意不要把分类变量组别设成byte格式却忘记加前缀否则它会当作连续变量参与计算。meta回归的结果解读要克制。样本量小的alpha meta分析回归系数很容易不显著但并不能证明调节变量真的没影响更可能是你研究的数量不够。DTA领域的meta回归更要注意一些调节变量如疾病状态构成比例、参考标准类型都可能引入混杂。5.3 发表偏倚漏斗图和Egger检验的适用性问题官方命令里做发表偏倚非常简单meta funnel, random meta bias, egger但心理测量学meta分析中对发表偏倚的判断必须比干预研究更谨慎。原因在于一个量表研究能不能发表通常取决于研究问题是否新颖、样本是否代表性alpha高并不天然增加发表机会甚至在部分应用领域中报告“信度低到超出预期”的研究因为指出了工具的问题反而更容易引起关注。所以漏斗图不对称在信度meta分析里未必就是发表偏倚也可能是真实的样本差异导致的效应量-研究规模关联。我给自己定的规矩是发表偏倚检验照做但解释时从“是否存在发表偏倚”改成“是否存在小研究效应”。如果在心理测量学meta里发现不对称我倾向于先做剪补法看结论是否稳健再考虑是否有真实的调节变量作用而不是直接下“发表偏倚显著”的结论。6. 常见问题与排查技巧实录6.1 标准误缺失导致meta set报错有读者问我为什么meta set之后运行meta summarize系统提示“some studies have missing standard errors”。多半是计算标准误的公式里出现缺失值。信度数据中如果n和k在Excel里被存成了文本格式导入Stata后就是字符串gen出来的标准误自然全是缺失。解决办法回到数据清洗阶段确保n和k是数值型用destring n k, replace处理。另一种情况是相关系数r接近1时r的方差更小但Fisher z的标准误1/sqrt(n-3)只依赖样本量不会缺失。如果你看到缺失优先检查n是否小于等于3这类研究要直接剔除或检查原始数据。6.2 meta回归中虚拟变量陷阱做meta regress时分两步走最稳。第一步先用tabulate version, gen(ver_)生成虚拟变量观察列联表第二步再决定是全部纳入还是选择参照组。Stata的i.前缀在回归里也能自动生成虚拟变量只要注意别把两个互斥分类变量同时全部组别放进来即所有人都是1的那一组要自动扣除。现实中我见过有人因为i.sample_type里各类别样本分布极端导致回归矩阵秩亏出现omitted项这种情况直接简化模型只保留有意义的分组。6.3 metadta命令不存在或版本太旧怎么办如果在Stata命令窗口输入help metadta系统提示command not found说明你这个版本还没有该命令。解决方案有两个一是确认你是不是Stata 18及以上且开启了StataNow更新如果不是升级或打开更新二是在旧版本上退而求其次使用metandi或者midas用户命令但要注意结果汇报时遵照当时的用户命令文档格式。另一个常被忽略的点即使Stata 18用户也可能因为许可证维护期已过导致StataNow更新停在一个旧快照上新命令并不会自动到账。这种情况去官网续期即可。6.4 多个效应量来自同一研究造成依赖心理测量学meta分析里有一类数据非常容易踩坑同一个研究样本报告了多个维度的alpha或者同一量表在不同时间点测了两次效度。如果不加处理把这些效应量全部纳入等于把独立样本假设破坏了summary结果的标准误会偏小。解决方法主要有三种一是每个研究只选一个代表性效应量例如总量表alpha或者最核心子维度的效度二是用多水平meta分析模型如果研究数量够多且你能建数据层级三是做灵敏度分析看看排除重复研究报告后结论是否一致。我自己操作时优先选择第一种简单直接审稿人也不用费劲理解你的复杂模型。6.5 一个很实用的小技巧把转换和meta分析写成一个do文件处理信度和效度任务时你不止有一个数据集与其每次手动算se不如把逻辑写进do文件做成模板* 信度meta分析模板 capture drop alpha_var alpha_se gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var) meta set alpha alpha_se meta summarize, random这样换一批数据只需要替换数据集变量名保持一致即可。项目尾声还能一键复现所有图表投稿补充材料里放一个完整log对审稿人来说非常有说服力。结尾前再分享一个实际操作中的体会真正把心理测量学meta分析跑顺之后你会发现技术层面的事情其实不难难点几乎都卡在数据准备和指标换算的环节。我踩过几次坑后总结出一个清单提取文献数据时务必把样本量n、题目数k、alpha、相关系数和四格表全部摘干净导出数据后先花十分钟检查每个变量是不是numetic类型跑模型前先把研究数量和计划检查的调节变量列出来避免事后补跑导致的调试时间成本。一点小小的建议如果你已经有论文在修稿阶段而审稿人提出“希望给信度结果做个meta分析”你大概率不需要把全套模型都跑完再汇报只需要汇报随机效应合并的alpha、置信区间以及一个亚组或meta回归结果用来回应审稿人关于异质性的问题就够了。把dofile和log存档好等回复信时直接引用输出结果这一环节往往是最省心的。StataNow这套持续更新机制至少让我这类用户不用再忍受“为了一个功能装一堆第三方命令”的现状。以后再做心理测量学的定量综述官方命令应该会越来越顺手。
Stata实战：心理测量学meta分析的信度、效度与诊断准确性汇总
前阵子帮一位做教育测评的朋友整理文献遇到一个挺典型的场景同一份学习动机量表在不同研究里报告的Cronbachs alpha从0.58到0.92都有审稿人要求“不要简单汇报范围最好给出一个汇总区间”。这听起来很像meta分析该干的活但当时脑子里的meta分析全是SMD、OR那一套跟信度系数完全对不上。后来刚好赶上我用StataNow更新到Stata 18的最新补丁官方meta功能顺手了不少干脆系统做了一遍总结。这篇内容适合两类人一是正在做量表开发、量表验证或者准备写心理测量学综述的硕士博士二是早就有“想对信度、效度做定量汇总”的念头但一直没找到干净操作流程的科研从业者。我会从心理测量学meta分析的底层逻辑讲起把Cronbachs alpha、相关系数、诊断准确性这三类最常见的效应量怎么清洗、怎么转换、怎么跑Stata以及跑完怎么解读全部拆开讲明白。1. 先搞清楚心理测量学meta分析到底在分析什么1.1 和传统meta分析的核心区别在哪里传统的干预性meta分析效应量多来自两组均值之差典型代表是标准化均数差SMD、比值比OR和风险比RR。这类数据的基本结构是“两组结局”方差可以直接由组内标准差和样本量推算模型成熟资料也多。心理测量学meta分析不是这样。它汇总的是某个测量工具本身的表现想回答的问题通常不是“这个干预有没有效”而是“这个量表在不同人群、不同版本、不同文化背景下的信度到底是多少”“效标关联效度到底稳定不稳定”“某诊断工具区分患者与非患者的准确性到底怎么样”。效应量的性质完全不同自然不能照搬通用流程。最直接的影响体现在三点第一指标取值范围往往受限alpha在0到1之间相关系数在-1到1之间直接作为效应量进模型会带来分布偏态和方差不稳定问题第二每个研究的原始统计量换算成效应量时需要的标准误公式不是统一的必须按指标类型找对公式第三心理测量指标高度依赖研究情境异质性往往比干预研究还大meta回归几乎是必备操作而不是可选项。1.2 三类最常见的心理测量学meta分析这个领域在方法学上有几个专有名词检索文献时很常用。一类叫信度泛化研究reliability generalization简称RG。这是心理测量学meta分析里最经典的场景把某一个量表在历次研究中使用时报告的Cronbachs alpha或者McDonalds omega、重测信度当作效应量汇总出“这个量表在不同样本中的典型信度范围”。很多量表在发展初期只报告过一次内部一致性后来在不同文化、不同临床群体里使用时alpha的表现差距很大RG就是用来解决“这个工具到底稳不稳”这个问题的。另一类叫效度泛化研究validity generalization简称VG。通常是汇总效标关联效度也就是量表分数同一个外部效标变量之间的相关系数r。比如“警察招聘情境判断测验与工作绩效的相关到底是多少”把多个研究报告的r拿出来做meta分析得到总效应。第三类是诊断准确性meta分析diagnostic test accuracy meta-analysis简称DTA。更多出现在临床测评工具上比如焦虑筛查量表、认知评估工具。效应量是灵敏度sensitivity和特异度specificity或者由此汇出的AUC。这类分析的模型逻辑跟信度、效度很不相同涉及同一研究内部的灵敏度和特异度存在负相关所以通常要用双变量模型处理。2. StataNow更新之后Stata做心理测量学meta分析方便在哪2.1 先认识StataNow这个持续更新机制不少读者的Stata还停留在“装一个版本用三年”的模式这个习惯得改一改。StataNow是Stata公司自Stata 18开始推出的持续更新服务本质上是一个订阅式的补丁通道。你不需要等Stata 19或者再过几年的大版本只要持有Stata 18的许可证每隔一段时间就能通过官方更新获取新命令和新功能。我自己的体会是StataNow对实证研究者最大的价值不在新界面而在官方开始逐渐把以前靠社区第三方命令支撑的功能收编进核心库。这意味着命令的稳定性、文档质量、跟其他官方命令的兼容性都会更好也少了“别人机器上能跑换台电脑就报错”的烦恼。对于心理测量学meta分析来说Stata 18系列最大的变化是官方对meta命令体系的持续增强。Stata 17时代官方meta套件已经可用但做诊断准确性meta分析还是得依赖用户写的metandi、midas到了Stata 18的StataNow更新阶段官方推出了可以识别多阈值诊断数据的metadta命令这对我这种需要频繁处理筛查工具数据的人来说确实是一个质变。2.2 一套分析走完全程的命令分工现在做心理测量学meta分析我基本不再依赖第三方命令除非要做特别冷门的调整。官方命令体系大概是这样分工的分析环节官方命令作用数据定义meta set声明效应量及其标准误后续命令都基于这个设定描述性汇总meta summarize输出固定效应/随机效应的合并结果、异质性指标森林图meta forestplot可视化合并效应量、单个研究的权重和置信区间漏斗图meta funnel初步判断小样本研究分布和发表偏倚风险发表偏倚检验meta biasEgger检验、Begg检验等meta回归meta regress引入调节变量解释异质性剪补法meta trimfill校正可能的发表偏倚诊断准确性meta分析metadta拟合双变量模型汇总灵敏度和特异度如果你还在用Stata 15或16很可能没有这些新命令操作时要退回到metan、metareg、metandi这些第三方命令。我的建议是如果条件允许直接升级到Stata 18并开启StataNow更新省事太多。特别是当你需要在同一个项目里同时处理信度、效度和诊断准确性数据时官方命令的语法统一性非常香代码从alpha部分复制到r部分只需要改效应量和标准误那几行。2.3 一个版本兼容问题值得提前注意StataNow更新不是自动开启的需要你在Stata内联网检查更新并同意更新组件。有读者可能担心更新导致旧脚本失效我实际测下来meta套件的主命令语法几乎没有破坏性变化meta set之后的分析流程可以沿用。倒是如果用了老版用户命令midasStata 18之后可能会因为底层矩阵函数变动而报错需要切换到官方metadta。这也引出一个实操建议如果你的项目需要复现别人早期论文的DTA分析对方很可能是用metandi做的你拿到原始数据后不要执念于还原对方的命令直接用metadta重新拟合不仅逻辑更清晰汇报结果也跟最新的期刊要求更匹配。3. 数据准备先把所有指标转换到同一把尺子上3.1 Cronbachs alpha的效应量和标准误很多新手第一次做信度meta分析时直接往meta set里塞alpha值然后发现标准误不知道填什么。这是个关键卡点。alpha的抽样分布不是正态的尤其接近1时方差骤减直接把它当连续效应量使用会让小样本研究获得不可思议的权重。因此做alpha的meta分析常规路径有两个。路径一是使用方差近似公式直接以alpha为效应量。最常用的近似公式来自Bonett2002给定题目数k和样本量nalpha的近似方差为var(alpha) ≈ 2k(1 - alpha)^2 (1 (k - 1)alpha)^2 / [(k - 1)(n - 1)]。这个公式在alpha取值中等且样本量不算太小时表现不错操作简单很多信度泛化研究都在用。Stata里的写法很直接* 假设数据集里有变量n样本量、k题目数、alphaCronbachs alpha gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var)路径二是先对alpha做变换再以变换后的值为效应量。经典的Hakstian-Whalen变换是y (1 - alpha)^(1/3)。这个转换能把右偏分布拉向正态在很多模拟研究中比直接用alpha表现更稳。转换后可以用delta method求得近似方差但在实操中文阅读文献时你不一定每次都能找到变换后的方差公式所以我个人习惯直接用Bonett近似公式配合alpha原始值除非审稿人明确提出要求变换。一条比较稳的经验同一批数据路径一和路径二的结果通常方向一致合并alpha差不了多少重点是写清楚你的方法和相应公式。审稿人真正反感的是“拿到alpha就直接跑完全不交代标准误哪来的”。3.2 相关系数r的Fisher z变换效度泛化研究里的效应量十有八九是皮尔逊相关系数r。你不能直接拿r进模型因为r的抽样方差严重依赖总体相关的水平r越接近正负1方差越小同样样本量下权重就会失真。标准做法是Fisher z变换z 0.5 × ln((1 r) / (1 - r))对应的标准误是1 / sqrt(n - 3)。这段代码完全固定gen z 0.5*ln((1r)/(1-r)) gen z_se 1/sqrt(n-3) * meta分析结束后如果想汇报回r的单位反变换即可 gen r_pooled (exp(2*z_pooled)-1)/(exp(2*z_pooled)1)需要留意的是如果你meta分析中的效应量来自不同的相关系数类型比如一个研究是Pearson相关另一个研究是Spearman相关严格说必须先统一。Spearman相关在大样本下接近Pearson相关但排序信息毕竟损失了一些能不用尽量不用。如果某个研究只报告了p值或t值而没有报告r手算r时需要格外小心尤其要注意方向。3.3 诊断准确性指标的整理逻辑诊断准确性研究里一个研究通常报告一个2x2诊断表真阳tp、假阳fp、真阴tn、假阴fn。由此计算灵敏度 tp / (tp fn)特异度 tn / (tn fp)。对这类指标做meta分析不能简单把灵敏度和特异度当作两个独立指标分别合并这样会忽略两者在研究内部的负相关。现代方法学推荐双变量随机效应模型或HSROC模型两者的核心都是同时建模灵敏度和特异度保留研究内部的关联结构。用Stata时如果你有原始的四格表建议直接把tp、fp、tn、fn四列放进数据集让metadta去算灵敏度和特异度。如果原始文献里只给了灵敏度和特异度但没有四格表也不是完全不能分析但需要近似重构标准误可靠性会下降。做DTA meta分析有tpp/fp/tn/fn原始数据永远优于只有率值的数据。4. 三类心理测量学meta分析的Stata完整实操4.1 信度泛化研究对Cronbachs alpha做meta分析我用一个简化例子走一遍流程。假设你从文献中提取了10项研究每项研究都报告了某量表版本的样本量n、题目数k和内部一致性alpha想把它们合并成一个总alpha。先建立数据集这一步是基础千万别漏信息clear input str6 studyid n k alpha n01 120 20 0.82 n02 98 20 0.79 n03 200 20 0.85 n04 150 18 0.81 n05 80 20 0.74 n06 240 20 0.86 n07 175 22 0.83 n08 130 20 0.78 n09 90 20 0.76 n10 210 20 0.88 end接着计算效应量和标准误gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var)然后声明为meta分析数据集并汇总meta set alpha alpha_se, studylabel(studyid) meta summarize, random meta forestplot, random运行后重点看两个数字合并的alpha是多少95%置信区间是什么。另一个必看指标是I²。信度泛化研究里I²极高是常态因为alpha受到样本同质性、施测条件、量表版本的疯狂影响完全不异质反而奇怪。这时候不必惊恐下一步就该做meta回归解释异质性。如果想按某个分类变量看亚组结果可以直接加group选项meta summarize, by(version) random这个by选项在官方meta套件里做亚组森林图很方便不用再自己拆分样本分别跑。4.2 效度泛化研究对相关系数r做meta分析效度泛化的操作类似但效应量换成了Fisher z最后还要把结果倒回r。假设你有12项研究报告了量表的效标关联效度r和对应的样本量n。输入数据后clear input str6 studyid n r v01 100 0.36 v02 150 0.41 v03 120 0.28 v04 200 0.45 v05 85 0.22 v06 180 0.38 v07 140 0.30 v08 220 0.47 v09 95 0.25 v10 160 0.35 v11 110 0.31 v12 250 0.42 end gen z 0.5*ln((1r)/(1-r)) gen z_se 1/sqrt(n-3) meta set z z_se, studylabel(studyid) meta summarize, random如果合并z等于0.42那么反变换成r就是display (exp(2*0.42)-1)/(exp(2*0.42)1)得到约0.397。这就是最终的汇总效度系数。实际工作中比较难得的是不少原始文献报告的是多元回归的偏回归系数而不是简单相关。想纳入meta分析需要用公式从t值或beta值还原r但这样还原出来的r与直接报告的相关在意义上有细微差别混在一起开会增大异质性。我的态度是能不混就不混优先选用直接报告相关系数的研究。4.3 诊断准确性meta分析用metadta走通双变量模型DTA部分是StataNow更新后我最受益的场景。过去用metandi和midas语法繁琐不说还经常因为版本变动出现奇怪的bug。现在用官方的metadta流程清爽很多。假设你收集了8项关于某认知筛查工具的研究每项都有tp、fp、tn、fn四格表数据clear input str6 studyid tp fp tn fn d01 42 8 50 10 d02 55 15 70 12 d03 30 5 35 8 d04 70 20 80 15 d05 25 4 30 6 d06 48 10 60 9 d07 35 6 40 10 d08 60 12 75 10 end运行metadta的基本格式如下metadta tp fp tn fn, studyvar(studyid)这个命令会自动拟合双变量随机效应模型输出里既有合并灵敏度、合并特异度也有SROC曲线下的面积。你可以接着画图metadta tp fp tn fn, studyvar(studyid) sroc输出里有一栏值得专门关注灵敏度和特异度之间的相关系数。很多文献里这个相关系数是负的因为工具若把筛查阈值调高就会牺牲灵敏度换特异度。如果这个相关为负且明显说明原始研究内部确实存在阈值效应双变量模型比分开合并更合理。如果样本数据里没有四格表只有每个研究的灵敏度、特异度、患者/非患者人数那么需要在metadta中明确告知样本量否则标准误无从计算。这一点很多从综述表格里二次提取数据的人容易栽跟头。5. 异质性、调节变量和发表偏倚一个都不能少5.1 先说异质性心理测量学meta里高I²很正常跑完meta summarize如果看到I²直接飙到90%以上先不要慌。心理测量学指标受测量情境影响远大于治疗效果比如同一个量表在大学生样本和临床样本中测出的alpha差0.2完全可能这部分差异会被纳入异质性。我的判断习惯是三步第一看Q检验的p值显著说明异质性存在第二看tau²而不是只看I²tau²是真正的组间方差估计它比I²更能反映异质性对汇总结果的实质影响第三结合领域背景判断如果异质性本身有理论意义下一步就该做meta回归而不是一味逃避。5.2 meta回归把调节变量纳入模型信度meta分析中最常见的调节变量包括施测版本量表的翻译/改编版本、样本类型学生/社区/临床、样本平均年龄、施测国家或语言、发表年份等。用meta回归可以一次性考察多个调节变量的贡献。Stata里用meta regress* 若version是分类变量sample_type是分类变量year是连续变量 meta regress i.version i.sample_type c.year个人经验提醒连续调节变量最好做中心化处理否则截距的解释会变得很别扭。分类变量用i.前缀让Stata自动生成虚拟变量注意不要把分类变量组别设成byte格式却忘记加前缀否则它会当作连续变量参与计算。meta回归的结果解读要克制。样本量小的alpha meta分析回归系数很容易不显著但并不能证明调节变量真的没影响更可能是你研究的数量不够。DTA领域的meta回归更要注意一些调节变量如疾病状态构成比例、参考标准类型都可能引入混杂。5.3 发表偏倚漏斗图和Egger检验的适用性问题官方命令里做发表偏倚非常简单meta funnel, random meta bias, egger但心理测量学meta分析中对发表偏倚的判断必须比干预研究更谨慎。原因在于一个量表研究能不能发表通常取决于研究问题是否新颖、样本是否代表性alpha高并不天然增加发表机会甚至在部分应用领域中报告“信度低到超出预期”的研究因为指出了工具的问题反而更容易引起关注。所以漏斗图不对称在信度meta分析里未必就是发表偏倚也可能是真实的样本差异导致的效应量-研究规模关联。我给自己定的规矩是发表偏倚检验照做但解释时从“是否存在发表偏倚”改成“是否存在小研究效应”。如果在心理测量学meta里发现不对称我倾向于先做剪补法看结论是否稳健再考虑是否有真实的调节变量作用而不是直接下“发表偏倚显著”的结论。6. 常见问题与排查技巧实录6.1 标准误缺失导致meta set报错有读者问我为什么meta set之后运行meta summarize系统提示“some studies have missing standard errors”。多半是计算标准误的公式里出现缺失值。信度数据中如果n和k在Excel里被存成了文本格式导入Stata后就是字符串gen出来的标准误自然全是缺失。解决办法回到数据清洗阶段确保n和k是数值型用destring n k, replace处理。另一种情况是相关系数r接近1时r的方差更小但Fisher z的标准误1/sqrt(n-3)只依赖样本量不会缺失。如果你看到缺失优先检查n是否小于等于3这类研究要直接剔除或检查原始数据。6.2 meta回归中虚拟变量陷阱做meta regress时分两步走最稳。第一步先用tabulate version, gen(ver_)生成虚拟变量观察列联表第二步再决定是全部纳入还是选择参照组。Stata的i.前缀在回归里也能自动生成虚拟变量只要注意别把两个互斥分类变量同时全部组别放进来即所有人都是1的那一组要自动扣除。现实中我见过有人因为i.sample_type里各类别样本分布极端导致回归矩阵秩亏出现omitted项这种情况直接简化模型只保留有意义的分组。6.3 metadta命令不存在或版本太旧怎么办如果在Stata命令窗口输入help metadta系统提示command not found说明你这个版本还没有该命令。解决方案有两个一是确认你是不是Stata 18及以上且开启了StataNow更新如果不是升级或打开更新二是在旧版本上退而求其次使用metandi或者midas用户命令但要注意结果汇报时遵照当时的用户命令文档格式。另一个常被忽略的点即使Stata 18用户也可能因为许可证维护期已过导致StataNow更新停在一个旧快照上新命令并不会自动到账。这种情况去官网续期即可。6.4 多个效应量来自同一研究造成依赖心理测量学meta分析里有一类数据非常容易踩坑同一个研究样本报告了多个维度的alpha或者同一量表在不同时间点测了两次效度。如果不加处理把这些效应量全部纳入等于把独立样本假设破坏了summary结果的标准误会偏小。解决方法主要有三种一是每个研究只选一个代表性效应量例如总量表alpha或者最核心子维度的效度二是用多水平meta分析模型如果研究数量够多且你能建数据层级三是做灵敏度分析看看排除重复研究报告后结论是否一致。我自己操作时优先选择第一种简单直接审稿人也不用费劲理解你的复杂模型。6.5 一个很实用的小技巧把转换和meta分析写成一个do文件处理信度和效度任务时你不止有一个数据集与其每次手动算se不如把逻辑写进do文件做成模板* 信度meta分析模板 capture drop alpha_var alpha_se gen alpha_var 2*k*(1-alpha)^2*(1(k-1)*alpha)^2/((k-1)*(n-1)) gen alpha_se sqrt(alpha_var) meta set alpha alpha_se meta summarize, random这样换一批数据只需要替换数据集变量名保持一致即可。项目尾声还能一键复现所有图表投稿补充材料里放一个完整log对审稿人来说非常有说服力。结尾前再分享一个实际操作中的体会真正把心理测量学meta分析跑顺之后你会发现技术层面的事情其实不难难点几乎都卡在数据准备和指标换算的环节。我踩过几次坑后总结出一个清单提取文献数据时务必把样本量n、题目数k、alpha、相关系数和四格表全部摘干净导出数据后先花十分钟检查每个变量是不是numetic类型跑模型前先把研究数量和计划检查的调节变量列出来避免事后补跑导致的调试时间成本。一点小小的建议如果你已经有论文在修稿阶段而审稿人提出“希望给信度结果做个meta分析”你大概率不需要把全套模型都跑完再汇报只需要汇报随机效应合并的alpha、置信区间以及一个亚组或meta回归结果用来回应审稿人关于异质性的问题就够了。把dofile和log存档好等回复信时直接引用输出结果这一环节往往是最省心的。StataNow这套持续更新机制至少让我这类用户不用再忍受“为了一个功能装一堆第三方命令”的现状。以后再做心理测量学的定量综述官方命令应该会越来越顺手。
