我正在进行一项随机效应荟萃分析，涵盖了许多不报告标准偏差的研究；所有研究都报告样本量。我认为不可能近似或估算 SD 缺失数据。当标准差不适用于所有研究时，应如何对使用原始（非标准化）均值差异作为效应量的荟萃分析进行加权？当然，我仍然可以估计 tau 平方，并且希望将研究间方差的测量纳入我用来保持在随机效应框架内的任何加权方案中。
更多信息如下：
为什么原始平均差异可能仍然有用：数据以具有内在意义的规模报告：每单位美元。因此，平均差异的荟萃分析将是立即可以解释的。
为什么我不能近似或估算 SD 数据：缺少标准差数据的研究没有包含足够的数据来近似标准差（即文献中从未报告中位数和范围）。估算缺失的数据似乎是不可取的，因为大部分研究都缺少 sd，而且研究在覆盖的地理区域和调查方案方面差异很大。
Meta 分析中的原始平均差通常如何处理：研究权重基于平均差的标准误差（通常使用样本量项和汇总方差计算）。我没有这个。在随机效应荟萃分析中，研究权重还包括研究间方差。我有这个。
在这种情况下可以使用简单的逆样本大小加权吗？我如何将我对 tau 平方（或其他一些研究间离散度的度量）的估计纳入加权？
如果您对权重的平均差异进行元分析而不是通过（逆方差）-假设正在比较相同大小的组-在假设跨研究的变异性相同的假设下，这可以为您提供适当的平均效果估计。即，如果标准误差完全正确，权重将与您使用的权重成正比对于标准偏差假设在试验中是相同的。但是，您将不再获得总体估计的有意义的总体标准误差或置信区间，因为您正在丢弃信息关于抽样变异性。
另请注意，如果组的大小不同不是正确的权重，因为两个正态分布差异的标准误差是这只会简化为， 如果（加 ）。
您当然可以在以下假设下估算缺失的标准误差在所有研究中都是相同的。然后，没有报告标准误差的研究与研究的平均值具有相同的潜在变异性，您知道这一点并且很容易做到。
另一个想法是，使用未转换的美元或每单位美元可能有问题，也可能没有问题。有时可能需要使用例如对数转换来进行元分析，然后再进行反向转换。
一般来说，了解更多关于您的数据集的详细信息会很有用，尤其是您的元分析估计。此外，了解您所包含的完整研究的平均值和 SD 是多少会很有趣。
话虽如此，正如您所暗示的那样，我的务实方法是使用样本量加权（为什么是反向的？），但请记住，这充其量只是一个生成假设的荟萃分析，其最大的优势将是指出初级研究。
以下是关于样本加权在荟萃分析中的潜在用途的一些有用参考资料：
http://faculty.cas.usf.edu/mbrannick/papers/conf/SIOP08Wts.doc
https://www.meta-analysis.com/downloads/Meta%20Analysis%20Fixed%20vs%20Random%20effects.pdf