我正在进行多层次的荟萃分析，其中包括一些具有多种结果的文章。因此我正在使用该rma.mv()功能。示例代码：
test.main = rma.mv(yi,vi,random = ~1|ID, data = data)
我有两个问题：
我在之前的查询中读到，使用rma.mv(),ranktest()不是漏斗图不对称性的可靠测试。但是，如果将样本方差作为调节因子添加到原始模型中，则该模型将类似于 Egger 检验：
test.egger = rma.mv(yi,vi, mod = vi, random = ~1|ID, data = data)
该代码是否对该指南的正确解释？此外，漏斗图作为模型工具是否也（或多或少）无用rma.mv()？
既不leave1out()也不trimfill()合作rma.mv()评估模型结果的敏感性。目前是否有其他敏感性分析工具可用于rma.mv()不涉及对 R 的精通理解的模型？
关于 1：是的，添加vi为主持人确实是将 Egger 的测试扩展到更复杂模型的合乎逻辑的方式。
实际上，使用抽样方差作为调节因子只是进行“漏斗图不对称回归检验”的一种可能性。其他人建议使用抽样方差的倒数或标准误差（抽样方差的平方根）或其倒数或总样本量（或其某些函数）作为调节因子。目前尚不完全清楚哪个预测变量是“最佳”选择（这可能取决于您用于荟萃分析的结果度量）。例如，对于某些度量，我们用来近似/估计抽样方差的方程实际上是观察到的结果的函数，即使没有发表偏倚（或“小研究偏倚”），它也会自动在两者之间建立关系或者我们想怎么称呼它）。在这种情况下，
但要点是：是的，在处理更复杂的模型时，可以通过在模型中添加适当的调节器来轻松应用回归测试。
当数据背后存在多级/多变量结构时，漏斗图是否有用是有争议的。例如，由于统计相关性（在使用适当的多级/多变量模型时会考虑），点集可能会聚集在一起，但在漏斗图中，点就是：一堆点。这使得漏斗图的解释更加困难，因为（除非你通过使用不同的颜色或符号采取额外的步骤）你看不到这些内在的依赖关系——并不是说大多数人（包括我自己）都擅长解释漏斗图，即使是最简单的案例（有实证研究证明！）。
关于 2：是的，一堆模型后拟合功能目前不适用于rma.mv模型对象。我只是还没来得及实施这个，其中一些实际上需要一些思考。例如，leave1out()一次删除一项研究——在单变量上下文中，这相当于一次删除每个观察到的结果，但是多水平/多变量数据呢？还一次删除每个观察到的结果？或者删除点集？或者提供不同的选项？关于修剪和填充（撇开这种方法真正有用的问题不谈）：将该方法扩展到多级/多变量数据将值得写一整篇论文。
因此，您想要进行敏感性分析非常棒，但到目前为止，您将不得不手动执行其中的一些操作。留一分析很容易通过简单的 for 循环完成，并仔细考虑“一”是什么（例如，每个观察到的结果，每个集群/研究）。你可以做回归测试，也许现在就离开修剪和填充。标准化残差可通过 获得rstandard()，因此您可以检查数据中的潜在异常值。您可以通过hatvalues()（只是沿对角线或整个帽子矩阵的杠杆）获得帽子值，这可以指示哪些点对结果有很大影响。在这种情况下，另一个真正有用的度量是库克的距离，您可以通过 获得cooks.distance()，也可以用于rma.mv对象。