Improving the accuracy of likelihood-based inference in meta-analysis and meta-regression
提高元分析与元回归中似然推断的准确性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦跨研究证据合成、方差成分校正和元回归，未说明因果识别、面板结构或其他给定细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
提高元分析与元回归中似然推断的准确性
- 研究问题
- 在研究数量较少或中等的随机效应元分析中，如何缓解似然推断可能产生的误导，并改善平均效应大小的推断？
- 方法与思路
- 作者采用降低方差成分最大似然估计渐近偏差的方法，并在允许均值随研究层面协变量变化的随机效应元回归中推导结果。
- 材料陈述的贡献
- 摘要称，减少方差成分估计的渐近偏差也能明显改善平均效应推断，并将分析置于更一般的随机效应元回归框架。
- 阅读关注点
- 阅读时应核对偏差校正的具体形式、均值推断的构造方式，以及研究数量、异质性和协变量设置如何影响准确性。
- 阅读边界
- 仅据所给 Crossref 摘要，未核验稿件或刊本版本。摘要未给出校正公式、覆盖率及适用条件，不能判断具体元分析的改善幅度。
原文摘要
Summary Random-effects models are frequently used to synthesize information from different studies in meta-analysis. While likelihood-based inference is attractive both in terms of limiting properties and of implementation, its application in random-effects meta-analysis may result in misleading conclusions, especially when the number of studies is small to moderate. The current paper shows how methodology that reduces the asymptotic bias of the maximum likelihood estimator of the variance component can also substantially improve inference about the mean effect size. The results are derived for the more general framework of random-effects meta-regression, which allows the mean effect size to vary with study-specific covariates.