我目前正在进行一项荟萃分析，为此我需要分析嵌套在样本中的多个效应大小。我偏爱 Cheung (2014) 的三级荟萃分析方法来荟萃分析依赖效应大小，而不是其他一些可能的策略（例如，忽略依赖、平均研究中的效应大小、选择一个效应大小或改变分析单位）。我的许多相关效应量都是相关性，涉及相当独特（但与主题相关）的变量，因此对它们进行平均在概念上没有意义，即使这样做，它也会将我要分析的总效应量减少近一半。

然而，与此同时，我也有兴趣使用 Stanley & Doucouliagos (2014) 在估计元分析效应的过程中解决发表偏倚的方法。简而言之，要么拟合一个元回归模型，通过它们各自的方差（精度效应检验，或 PET）或它们各自的标准误差（具有标准误差的精度效应估计，或 PEESE）来预测研究效应大小。根据 PET 模型中截距的重要性，可以使用来自 PET 模型的截距（如果 PET 截距p > .05）或 PEESE 模型（如果 PET 截距p < .05）作为估计的出版物-无偏差平均效应大小。

然而，我的问题源于 Stanley & Doucouliagos (2014) 的这段摘录：

在我们的模拟中，总是包含过多的无法解释的异质性。因此，按照惯例，REE [随机效应估计器] 应该优于 FEE [固定效应估计器]。然而，当有出版物选择时，常规做法是错误的。选择统计显着性时，REE 总是比 FEE 更有偏差（表 3）。这种可预测的劣势是由于 REE 本身是具有最大发表偏差的简单平均值和 FEE 的加权平均值。

这段话让我相信我不应该在随机效应/混合效应元分析模型中使用 PET-PEESE，但多级元分析模型似乎需要随机效应估计器。

我不知道该怎么做。我希望能够对我所有的依赖效应大小进行建模，但同时利用这种纠正发表偏倚的特殊方法。我有什么方法可以合法地将 3 级荟萃分析策略与 PET-PEESE 结合起来吗？

参考

张，MWL（2014）。使用三级荟萃分析对相关效应大小进行建模：一种结构方程建模方法。心理学方法，19，211-229。

Stanley, TD 和 Doucouliagos, H. (2014)。用于减少出版物选择偏差的元回归近似。研究合成方法，5，60-78。