引入 Huber M 估计的矩基随机效应 Meta 分析

Meta 分析常用于提供大量研究的可靠证据。传统矩方法（如 DerSimonian-Laird 方法）仍在广泛使用，尽管已有更精确的替代方案。虽然矩估计方法简单直观，但已知会在研究数量较少时低估整体处理效应的方差。这种低估可能导致置信区间过窄，无法达到名义置信水平，进而可能导致误导性结论。本研究通过引入 Huber M 估计来改进传统基于矩的 Meta 分析方法，以更准确地捕捉研究之间方差的分布特征。我们的方法即使在研究数量很少的情况下，也能实现保守的参数估计。此外，通过推导整体处理效应与研究之间方差的联合分布，我们提出了便于探索这两种量量之间关系的可视化方法。我们的方法在研究数量较少的情况下，为整体处理效应和研究之间方差提供更可靠的估计。通过仿真和实际数据分析，我们展示该方法始终比传统矩方法更保守，确保 Meta 分析中置信区间更准确。