在处理研究内复制方面，我观察到元分析中的一个常见错误。我不清楚在陈述假设时错误是否会使研究无效。但是，据我了解，这些假设违反了统计学的基本前提。
例如，一项研究测试了化学物质的影响回应.
对数响应比进行分析：治疗比（在......的存在下） 控制（不):
荟萃分析中包含的一些研究包含多种治疗方法，例如不同水平或化学形式的. 对于每种处理，都有不同的值， 虽然总是使用相同的值.
方法说明：
对不同治疗的反应（水平和形式) 在单个研究中被认为是独立观察。
还有其他解决方案吗？
是的，这是一个问题，因为需要考虑响应中的抽样依赖性（尽管有时影响可能可以忽略不计，并且我们在执行统计分析时总是违反假设）。有一些方法可以解决这个问题，一种方法是在误差方差-协方差矩阵中包含相关实验（非对角块）之间的协方差（参见例如 Hedges 等人，2010）。幸运的是，使用对数比率，这相当容易。您可以获得实验之间的近似协方差，因为 log R 的方差 (var) 是（如果 Yx 和 Y0 是独立组）：log Yx - log Y0，遵循问题中的符号，Yx 指的是实验组，Y0 是控制组。log R 的两个值（例如处理 1 och 处理 2）之间的协方差 (cov) 为 cov(loge Yx_1 - log Y0, log Yx_2 - log Y0)，等于 var(log Y0)，计算公式为 SD_Y0/(n_Y0 * Y0)，其中 SD_Y0 是 Y0 的标准差，n_Y0 是控制处理中的样本量，Y0 是控制处理中的值。现在我们可以将整个方差-协方差矩阵插入到我们的模型中，而不是仅使用方差 (ei)，这是执行元分析的经典方法。这方面的一个例子可以在林彭斯等人。2011 年使用 R 中的 metahdep 包（在生物导体上），或Stevens 和 Taylor 2009 年用于 Hedge´s D.
如果您想保持非常简单，我会很想忽略这个问题并尝试评估抽样依赖性的影响（例如，研究中有多少种治疗方法？如果我只使用一种治疗方法，结果会如何变化？等） .
是的，这是一个问题。
是的，这是不合适的，即使它至少对它正在做的事情是透明的（它得到了透明度的分数，但仍然不令人满意）。
我怀疑有一个“简单的方法”来解决这个问题。我对元分析所采用的方法了解不多，但如果有特定的元分析软件，并且使用它产生这样的研究并发表，这很可能是常用的方法。您提出的任何一个回复都会丢失每项研究的一些信息粒度（即出版商所做的相反问题）。
显而易见的解决方案是将研究作为随机因素的混合效应（即多水平）模型。如果元分析软件无法做到这一点，我建议为此使用专业的统计软件包。您仍然可以使用元分析软件进行数据存储和处理，只需将数据导出到 R、Stata 或 SAS 进行分析。