多变量与多层元分析中发表偏倚的校正：一种多变量步函数选择模型方法

单变量元分析模型假定所有效应量相互独立。如果例如元分析者关注的一项研究报告了两个结局，或者一项研究由同一批研究者开展了多个实验，这一假定就会被违背。多变量和多层元分析模型允许对相依效应量建模。这两种模型近来在心理学元分析者中日益流行，而在心理学领域，元分析效度面临的最大威胁之一是发表偏倚，即只有选择性的部分研究得以发表。我们将用于建模发表偏倚的单变量阶梯函数选择模型方法扩展到多变量和多层元分析。我们提出严格选择模型和宽松选择模型，对仅有统计学显著结局或至少有一个显著结局的研究赋予不同的发表概率。这两种选择模型是建模发表偏倚的直观方法。我们的方法也能容纳更复杂的替代选择模型，并对此进行了讨论。我们主要关注该方法作为敏感性分析的实施，其中选择模型中的发表概率被假定为已知，但也展示了如何对这些概率进行估计。针对两个应用定制的模拟研究表明，所提出的方法作为敏感性分析优于不校正发表偏倚的多变量和多层元分析模型。模拟还表明，发表概率的估计不精确。我们为在实践中应用所提出的方法提供了指导，并分享了 R 代码以方便应用我们所提出的方法。（PsycInfo 数据库记录 (c) 2026 APA，保留所有权利）。

中文由 AI 翻译，仅供参考，以原文为准。