我正在尝试使用效应大小作为因变量来管理 SPSS17 中的元回归。我想探索我的自变量是否会影响效果大小。一些小的实际问题：
元回归所需的最少研究数量是多少？
我可以一次输入所有三个回归量并报告全局模型，还是必须一次输入一个回归量并分别报告 3 个模型？
自变量是否必须是比例变量？
如何衡量样本量的效应量？
什么是优选的显着性水平？
不要使用 SPSS 的内置例程进行元回归（错误的标准误差；没有给你正确的模型指数；没有异质性统计）。看看 David Wilson 的 SPSS “执行元分析的宏”。调用MetaReg其中一个宏可以执行固定效应或混合效应元回归。我总是使用Stata或 R。顺便说一下，用户Wolfgang是一个名为metafor的 R 包的作者。这是进行元回归的出色软件。
作为元回归的一般（非技术性）介绍，我可以推荐 Thompson/Higgins (2002) “如何进行元回归分析并解释？ ”。
现在回答你的问题：
Q1：元回归所需的最少研究数量是多少？有人建议至少需要 10 项研究。为什么不是 20 或 5 项研究？
答案可以在Borenstein 等人 (2009: 188)中找到：
“正如在初级研究中一样，我们需要适当大比例的受试者与协变量才能使分析有意义，在荟萃分析中，我们需要适当大比例的研究与协变量。因此，使用元回归，特别是对于多个协变量，当研究数量较少时，不推荐选择。在初步研究中，有些人建议每个协变量至少有 10 个受试者的比例，这对应于元回归中每个协变量的 10 个研究。但事实上，在这两种情况下都没有硬性规定。”
Q2：总样本量是一个重要的考虑因素吗？
什么是总样本量？研究的数量？是的，这很重要。还是人数？不，它不（或不那么）重要。
Q3：为什么10个200人的研究就够了，5个400人的研究不够？
这只是一个（n 普通）回归。您不会使用 5 个数据点进行回归，对吗？在您的评论中，您声明您有 20 项研究足以进行元回归。
Q4：我可以一次输入所有三个回归量并报告全局模型，还是必须一次输入一个回归量并分别报告3个模型？
这只是一种回归。我将从三个简单的双变量模型开始，然后构建更复杂的模型（注意多重共线性，见下文）。
Q5：自变量之间的相关性如何影响这个选择？
您的预测变量之间的高度相关性将对您的结果产生（负面）影响。你应该避免这种情况。有关多重共线性问题，请查阅教科书。
Q6：研究的数量如何影响我应该同时输入的自变量数量？
参见 Borenstein 等人的引文。
Q7：自变量必须是尺度变量吗？[...] 自变量也必须是尺度的，或者可以是序数的或名义的？
什么是“尺度变量”？您的意思是连续/度量变量吗？您的预测变量可以有任何级别的测量。但是，如果您有一个分类（名义）预测变量，则必须处理虚拟变量（请参阅使用分类变量的多重回归）。
Q8：如何衡量样本量的效应量？
据我所知，所有元回归方法都期望权重是逆研究方差，即. 同样，您将需要标准错误:-)
Q9：什么是更可取的显着性水平？在这样的分析中，临床研究仍然可以接受 p<0.05 吗？
我无法回答你的问题。这真的取决于你的研究问题。在我的（非临床）研究中，我对 p < 0.10 感到满意。
这些是对您最初的问题的一些精彩回答，参考指南特别有用。
如果你正在寻找一个相对简单的包来做元回归，我可以推荐 Borenstein 的软件包Comprehensive Meta Analysis。它仅限于单个预测变量的元回归，但这可以是规模/连续的，也可以是分类的。生成的输出和图形很容易理解，除非您使用多个预测器，否则就足够了。鉴于您谈论的研究规模较小（例如 10 个），您可能无论如何都无法检测到多个预测变量。