同一个问题，五篇研究给出五个效应量：有人报 Cohen's d，有人报相关系数 r，有人只给了两组均值和标准差。要写文献综述或做元分析，第一道坎不是统计，而是把这些不同量纲的结果换成能放在一起比的东西；第二道坎是决定怎么加权；第三道坎是承认它们本来就不该被硬合并。

《Doing Meta-Analysis in R: A Hands-on Guide》把这套流程做成了在线教材：17 章正文加 5 个附录，每章配可运行的 R 代码，从效应量换算一路讲到网络元分析与贝叶斯元分析，网站免费公开（纸本由 Chapman & Hall/CRC 出版）。作者是 Mathias Harrer、Pim Cuijpers、Toshi
A. Furukawa、David
D. Ebert。本贴按做研究的实际顺序拆一遍。

全书分四块。入门部分两章：第 1 章讲元分析是什么、什么时候该做，第 2 章把 R 环境与导入数据的工具过一遍。核心部分七章：第 3 章效应量、第 4 章合并效应量、第 5 章研究间异质性、第 6 章森林图、第 7 章亚组分析、第 8 章元回归、第 9 章发表偏倚。进阶部分四章：第 10 章多水平（三水平）元分析、第 11 章结构方程模型元分析、第 12 章网络元分析、第 13 章贝叶斯元分析。工具部分三章：第 14 章功效分析、第 15 章偏倚风险图、第 16 章报告与可复现，第 17 章专讲效应量计算与换算。附录 A 是问答，B 是效应量公式表，C 是符号表，D 是 R 与包信息，E 是勘误。

这个结构的用意很清楚：它不把元分析当成一个「点一下就出结果」的按钮，而是拆成「换算—合并—检查异质性—诊断偏倚—报告」五步，每一步都给出对应的 R 包与函数。教材基于 bookdown 搭建，全部源文件放在 GitHub，公式用 MathJax 渲染。

第 3 章开头就把问题说白了：

它同时提醒，选哪个效应量指标会实质影响结果，而指标的选择取决于研究问题：如果要看两个连续变量的关联强度，按惯例用相关系数表达效应大小，因为相关系数的量级好解释、多数研究者也看得懂。但很多时候不能用原始报告的量纲——比如一篇研究只报了「及格/不及格人数」，另一篇报了连续得分，直接合成几乎不可能，此时必须从研究报告里的其他数据把它算出来。

第 17 章和附录 B 就是为此准备的：效应量计算公式与换算工具，覆盖
d、g、
r、OR、RR 等指标之间的转换。这一块对写综述的人最实用，因为绝大多数论文不会报你要的那个指标。

第 4 章把元分析模型的第一决策摆在最前面，原文是这样写的：

固定效应模型假设所有研究在估计同一个真效应，差异只来自抽样误差；随机效应模型假设每项研究有自己的真效应，这些真效应围绕一个均值分布。教材的观点是，要做明智的选择就得先懂两种模型背后的概念，而不是看软件默认值。

具体算法上，最常用的是以方差倒数加权：

也就是方差越小（样本越大、精度越高）的研究权重越大。教材还列了二元效应量的替代算法（Mantel-Haenszel、Peto、Bakbergenuly 等的样本量加权法）。

随机效应模型要估 τ（研究间真效应的方差），教材比较了几种估计量：DerSimonian-Laird（"DL"）、限制性最大似然（"REML"）或最大似然（"ML"）、Paule-Mandel（"PM"）、经验贝叶斯（"EB"）。它直说 DL 的问题：

这句话点出了实践中最常见的坑：纳入研究少、异质性又大的元分析比比皆是，而恰恰在这种情况下 DL 最不可靠。教材还提到 Hartung-Knapp 调整，用于研究数少时的置信区间修正——这些细节决定了你报出的置信区间是宽还是假窄。

第 5 章先把「异质性」限定清楚：在教材与多数元分析文献里，这个词只指统计异质性，不包括研究设计上的差异。然后给了两个层次：Cochran's Q 用来检验「观察到的效应差异是否超出抽样误差所能解释的范围」，τ 量化真效应本身的方差，I 则是把 Q 转成百分比、表示总变异中由异质性贡献的比例。

这一章最有价值的是预测区间（prediction interval）：

置信区间回答「平均效应是多少」，预测区间回答「下一个类似研究可能落在哪」。教材给的判断规则很实用：如果预测区间整体落在有利于干预的一侧，那么尽管效应有波动，未来在同类情境中仍可期待获益；如果预测区间跨过零，说明在部分情境下效应可能为零甚至反向——这比只看一个显著的平均效应要诚实得多。

第 6 章讲森林图：每项研究的点估计与置信区间、权重、总体效应菱形，以及怎么把异质性与预测区间画上去——它是元分析唯一必备的图。

第 7 章亚组分析回答「哪类研究效应更大」，但教材反复强调它是观察性比较：把研究按某个特征分组后比较组间效应，等于用研究层面的数据做观察研究，不能等同于实验证据。

第 8 章元回归把亚组分析推广到连续调节变量：以效应量为因变量、研究特征为自变量做加权回归。它的自由度受限于研究数量——研究只有十几项时，能放进模型的调节变量非常有限，这一点教材用示例数据讲得很清楚。

第 9 章先解释偏倚的来源：不显著的结果不容易被发表，于是从未进入你的样本。检测手段从漏斗图开始——效应量为横轴、标准误为纵轴（纵轴通常倒置），无偏时研究点应大致对称分布。

在此基础上教材给了三类统计方法：Egger 回归等检验小样本效应（precision 与效应量的关系）、Duval & Tweedie 的 trim-and-fill（剪补法，先剪掉造成不对称的研究、重算、再补回缺失研究得到校正估计）、以及 PET-PEESE。每一种都有明确的失效条件，比如剪补法：

教材还讨论了选择模型（如 3PSM）与 p-curve 等较新方法。这一段的态度值得学：没有一种校正方法是万能的，报告时应该把原始估计与几种校正结果并列，让读者看到偏倚可能的方向和幅度，而不是挑一个最好看的数字。

第 10 章处理一个现实问题：很多元分析里，同一个样本被多次使用（同一实验室、同一数据集的多篇论文），效应量并不独立。三水平模型把变异拆成抽样、研究内、研究间三层，避免把相关观测当独立处理导致标准误过小。

第 11—13 章分别是结构方程模型元分析、网络元分析（同时比较多个干预，需要处理传递性假设）与贝叶斯元分析（用先验与后验分布表达不确定性）。第 14 章讲功效分析——元分析也需要算「要纳入多少研究才有把握检出效应」。

第 15 章偏倚风险图（risk of bias plots）和第 16 章报告与可复现是收尾：前者把 RoB 评估结果可视化，后者给出让分析可被他人重跑的做法，与近年来 PRISMA 系列报告规范的要求对应。

对要交一篇元分析论文的人，这本书的顺序几乎就是论文的章节顺序：先定效应量与模型（第 3—4 章），再报异质性与预测区间（第 5 章），给森林图（第 6 章），解释异质性来源（第 7—8 章），诊断发表偏倚（第 9 章），最后按报告规范写方法与结果（第 16 章）。

回复本帖，可见这本教材的官方在线阅读入口与 GitHub 源文件仓库、引用格式文件（BibTeX／RIS）、配套 R 包清单，以及各章直达链接与网站关于内容使用的说明原文，方便你按章节跟着跑代码。