这个问题很难回答，因为它表明了许多元分析文献中普遍的混乱和混乱的事态（这里不怪 OP——它是文献和方法的描述，模型和假设通常是一团糟）。
但长话短说：不，如果你想结合一堆估计（量化某种影响、关联程度或其他被认为相关的结果）并且结合这些数字是明智的，那么你可以取他们的（未加权的）平均值，那会很好。这并没有错，根据我们在进行元分析时通常假设的模型，这甚至可以为您提供无偏估计（假设估计本身是无偏的）。所以，不，您不需要抽样方差来组合估计值。
那么为什么逆方差加权几乎与实际进行荟萃分析同义呢？这与我们认为大型研究（具有较小的抽样方差）比小型研究（具有较大的抽样方差）更具可信度的一般思想有关。事实上，在通常模型的假设下，使用逆方差加权会导致一致的最小方差无偏估计（UMVUE）——好吧，有点，再次假设无偏估计并忽略抽样方差实际上通常不完全知道的事实，但它们本身是估计的，并且在随机效应模型中，我们还必须估计异质性的方差分量，但是我们只是把它当作一个已知的常数，这也不完全正确......但是，是的，如果我们只是非常努力地眯起眼睛并忽略其中的一些，我们会使用逆方差加权得到 UMVUE问题。
因此，这里关键的是估计器的效率，而不是无偏性本身。但是，即使是未加权平均通常也不会比使用逆方差加权平均效率低很多，尤其是在随机效应模型中以及当异质性很大时（在这种情况下，通常的加权方案会导致几乎统一的权重）反正！）。但即使在固定效应模型或几乎没有异质性的情况下，差异通常也不是压倒性的。
正如你所提到的，人们也可以很容易地考虑其他加权方案，例如按样本大小或其某些函数加权，但这只是试图获得接近逆方差权重的东西（因为抽样方差是，很大程度上取决于研究的样本量）。
但实际上，人们可以而且应该将权重和方差的问题完全“解耦”。它们实际上是一个必须考虑的两个独立部分。但这并不是文献中通常呈现的方式。
但是，这里的重点是您确实需要考虑两者。是的，您可以将未加权平均值作为您的组合估计值，这本质上是一种元分析，但是一旦您想开始基于该组合估计值进行推断（例如，进行假设检验，构建置信区间)，您需要知道抽样方差（以及异质性的量）。这样想：如果你结合一堆小型（和/或非常异质）的研究，你的点估计将比你结合相同数量的非常大（和/或同质）的研究精确得多研究——不管你在计算综合价值时如何加权你的估计。
实际上，当我们开始进行推论统计时，甚至有一些方法可以不知道抽样方差（和异质性的数量）。可以考虑基于重采样的方法（例如，自举测试、置换测试）或即使我们错误指定模型的某些部分，也可以为组合估计产生一致的标准误差的方法——但是这些方法的工作效果需要仔细评估就事论事。