我正在对一些心理数据进行结构方程建模 (SEM) 元分析。最终，我想检查基于一组相关矩阵的中介模型。我花了一点时间查看有关当你有异质相关矩阵时该怎么做的文献。我已经对我在Cognitive Sciences SE上发现的内容进行了简要回顾。
总结一下我的发现：
- 大多数研究人员使用两步法。步骤 1 涉及使用各种元分析技术提取一组变量之间真实相关性的估计值。第 2 步涉及将相关性输入到您的 SEM 软件中，并且通常按照正常的非元分析 SEM 进行分析。
- 尽管意识到了这些问题，许多研究人员仍然使用两步法，即使大多数数据集的真实相关性存在变化，这些变化不能仅仅归因于随机抽样（即，随机效应模型通常更适用）。
- 一些研究人员提到了对数据集进行聚类或对调节者的值进行 SEM Meta 分析的可能性，希望在将分析分组后消除真实分数的可变性。然而，在大多数应用中，这样的调节器不足以解释所有真实的分数变化。
因此，我没有采用两步法，而是考虑可能执行以下操作，至少在您能够为每项研究计算完整相关矩阵的情况下：
“对每个样本执行 SEM 并将参数和拟合统计量视为样本之间变化的值。然后您可以总结这些 SEM 参数和拟合统计量的分布（例如，平均值和 SD）。这类似于相关性和其他效应大小通常被建模为随机效应。因此，例如，您可以查看样本间间接效应的变化。具有挑战性的一点是要弄清楚什么是真实的分数变化以及什么是随机抽样造成的。”
排除从随机抽样中梳理出真实分数的问题，在 R 中使用任何 SEM 包进行这样的分析都是直截了当的。
问题
所以，我想知道：
- 这种将 SEM 分别拟合到每项研究的方法是否曾经被应用过？
- 该方法的优点和缺点是什么？
- 您如何梳理出 SEM 参数的哪些变化是由随机抽样引起的，以及什么是由真实分数方差引起的？
- 还是有更好的方法对异质相关矩阵进行 SEM 荟萃分析？