【Meta常见问题第2期】固定效应 vs 随机效应：Meta分析模型选择全解析

别小看这一步！很多同学一开始就栽在模型选择上：一听“固定”和“随机”，就觉得随机更高级，结果用错了方向，影响整篇文章的稳健性。到底两者差别在哪？选错会有什么后果？

全优统计的老师们在日常中，已经积累了大量“踩坑”经验，总结出一套应对 meta 分析常见问题的实用方案。现在，我们决定将这些知识系统整理，推出全新系列栏目——「Meta常见问题」！

📌 这个栏目将围绕实际问题出发，逐一拆解 meta 分析中大家最常遇到的那些“拦路虎”，帮助你少走弯路，轻松上手 meta！

欢迎持续关注，也欢迎你在评论区或后台留言，说出你在做 meta 时遇到的问题，我们一起解决！💬

很多同学刚接触Meta分析时，最常问的就是：“到底用固定效应模型还是随机效应模型啊？”网上查了一圈，越看越晕；跟着别人套用公式，却根本不知道原理。其实这俩模型的区别并不复杂，关键在于你能不能搞懂它们背后的假设逻辑。

随机效应模型是不是做出来的

结果更好啊？

固定效应模型的解读会更方便吗？

随机效应模型并不是“高级版”或者“改进版”的固定效应模型，它只是适用于研究之间存在真实差异（即异质性较大）的情况。

它的好处是考虑了研究间的变异性，让结果更“宽容”，更具外推性（generalizability），适合异质性高的场景。但它也有缺点：

• 合并效应更保守（置信区间更宽）

• 显著性更难达成（更不容易“P<0.05”）

• 研究权重更平均（大样本研究的影响力被“稀释”了）

所以它不是“更好”，而是“更合适某些情况”。

那固定效应模型的解读会更方便吗？

是的，相对来说，固定效应模型的结果更直观、解读更简单。因为它假设所有研究测量的是同一个真实效应，所以：

• 合并结果就是“那个唯一的总体效应”

• 权重分配上，大样本研究占主导，结果“更稳”

• 如果异质性极低，选择固定效应模型更高效

但问题来了：它对“异质性”的容忍度很低。一旦研究间差异显著，用固定模型会低估不确定性、过于自信，结论可能不靠谱。

01 随机效应模型和固定效应模型的区别

随机效应模型认为各项研究源自不同的总体，研究间存在较大的变异性。这种模型不仅考虑了每项研究内部的误差，也纳入了研究之间的差异。每项研究都有其独立的总体效应，Meta分析中最终的合并效应值则是对多个不同总体效应的加权平均。

固定效应模型假设所有纳入的研究来自同一个总体，其效应值仅是该总体真实效应的一种观察结果。研究间的差异主要归因于抽样误差，变异性较小，因而可以认为各研究估计的是同一个真实效应值。

02 如何选择这两种模型

在Meta分析中，选择合适的模型前，判断研究间是否存在异质性是关键一步。常用的判断指标主要有三类：

Q统计量

Q值服从自由度为 k-1 的卡方分布（k为研究数量）。当Q值较大时，对应的P值较小。

• P < 0.05：说明研究间存在显著异质性，建议采用随机效应模型。

• P ≥ 0.05：异质性不显著，可选择固定效应模型。

I²（I-squared）

衡量总变异中有多少比例源于非抽样误差（即真实差异）。

• I² > 50%：提示异质性较明显，适合随机效应模型。

• I² ≤ 50%：异质性较小，建议使用固定效应模型。

H统计量

对Q统计量进行标准化处理，反映研究间相对异质性程度。

• H > 1.5：存在较强异质性

• H < 1.2：研究之间较为同质

• H 在 1.2~1.5 之间：需要结合其95%置信区间判断

     ▫ 若95%CI包含1，认为无显著异质性

     ▫ 若95%CI不包含1，则提示存在显著异质性

小结：三种统计量互为补充，但实践中最常用、最直观的判断指标还是 I² 和 Q值。了解这些工具的含义，才能更合理地做出模型选择，提升Meta分析结果的科学性与可信度。

固定效应还是随机效应，你选对了吗？

还有不确定的地方？评论区见！