单一随机效应不够时：混合模型元分析的开源实现与模拟评估

处理效应量之间的研究间差异（即异质性）是荟萃分析的一项关键挑战。通常假设异质性呈正态分布，这意味着不存在系统性的异质性来源，或者存在已知且可测量的异质性来源并可通过调节变量分析加以控制。当效应量来自多个未知的亚群体时——例如，由于不同的研究传统、未测量的调节变量、发表偏倚和离群值——这些假设便不再成立。有观点认为，有限混合模型——也称为潜类别分析（LCA）——能够捕捉这些未观测到的亚组，但目前尚无用于估计此类模型的通用框架。我们推出了用于估计随机效应混合模型（即“remix”）荟萃分析的开源软件。这些结构方程模型在`OpenMx`中实现，可完全自定义并进一步扩展。我们开展了一项模拟研究，以评估`remix`算法的收敛性、偏倚和置信区间覆盖率，以及若干类别枚举指标的性能：AIC、BIC和ICL信息准则、预测模型比较（PMC）和交叉验证。结果表明，该方法速度快且偏倚较低，但置信区间覆盖率低于名义水平，且类别枚举仍具挑战性——这些是LCA已知的局限性。尽管如此，当效应量来自未观测亚群体的混合分布时，remix荟萃分析是合适的方法；而这一情形在荟萃分析中可以说十分常见。

中文由 AI 翻译，仅供参考，以原文为准。