SPSS 命令: SPSS META REGRESSION
在浏览器中做 Meta 回归
Meta 回归用于探究剂量、年份或研究设计等研究层面的特征能否解释各研究效应量的差异。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 在你的设备上运行与 SPSS META REGRESSION 对应的过程，支持连续与分类调节变量，可选择七种 τ² 估计下的随机效应、或带或不带离散参数的固定效应，并提供 Knapp-Hartung 检验、残差异质性和 R²。
- 每个调节变量每变化一个单位，期望效应量变化多少，附标准误、检验和区间。
- 调节变量合在一起能否解释效应的变异（Wald χ² 检验，或使用 Knapp-Hartung 时的 F 检验）。
- 纳入调节变量后剩余的异质性：残差 Q、τ²、I² 和 H²。
- 随机效应模型中调节变量解释的研究间方差比例（R²）。
适用场景
适合使用
- Meta 分析显示较大的异质性，且对其来源有事先设定的假设。
- 在使用不同剂量的试验之间检验剂量—反应关系。
- 用分类调节变量比较不同类型的研究亚组（如随机对照与观察性研究）。
改用其他方法
- 每个调节变量对应的研究少于约十项：估计不稳定，且容易出现假阳性。
- 只需合并效应：使用二分类或连续结局 Meta 分析。
- 希望从研究平均值推断个体层面的效应：这属于生态学谬误，需要个体数据。
在 Crosstabs 中如何操作
- 01
每项研究录入一行
准备包含各研究效应量、标准误及调节变量的文件，打开后切换到“统计”模式。
- 02
选择 Meta 回归
在“一致性与诊断”组中选择“Meta 回归”（META REGRESSION）。
- 03
设置效应量和标准误
选择“效应量”和“标准误”列；标准误非正的行会被删除。
- 04
添加调节变量
勾选最多八个“协变量（连续调节变量）”和最多四个“因子（分类调节变量，最后一个类别为参照）”。至少需要一个调节变量。
- 05
选择模型与检验
将“模型”设为随机效应、固定效应或带乘性离散参数的固定效应。随机效应需选择 τ² 估计方法，可勾选“Knapp-Hartung 校正”（及“将 Knapp-Hartung 因子截断为 1”）；其他情况下可勾选“使用 t 分布（N − p 自由度）”。
- 06
运行
设置“置信水平（%）”并点击“运行”。研究数必须多于模型参数个数。
计算示例
以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。
数据
12 项模拟培训项目研究。每行包含预先计算的效应量、其标准误以及每周培训小时数（1–6）。真实效应每小时增加 0.08，并叠加研究间变异（标准差 0.2）与抽样误差，使用固定随机种子生成。
输入数据预览
| 研究 | 效应量 | 标准误 | hours |
|---|---|---|---|
| 1 | 0.052 | 0.110 | 1 |
| 2 | −0.185 | 0.108 | 2 |
| 3 | −0.006 | 0.204 | 3 |
| 4 | 0.352 | 0.189 | 4 |
| 5 | 0.666 | 0.153 | 5 |
| 6 | 0.563 | 0.161 | 6 |
| 参数 | 系数 | 标准误 | z | 显著性 | 95% 置信区间 |
|---|---|---|---|---|---|
| 截距 | −0.099 | 0.147 | −0.68 | .499 | −0.386 – 0.188 |
| hours | 0.111 | 0.039 | 2.87 | .004 | 0.035 – 0.186 |
随机效应元回归；τ² 由限制性最大似然（REML）估计。
| 项目 | 统计量 | df | 显著性 |
|---|---|---|---|
| 模型检验（Wald χ²） | 8.215 | 1 | .004 |
| 残差同质性（Q） | 20.997 | 10 | .021 |
| τ² | 0.0255 | ||
| I² (%) | 52.3 | ||
| H² | 2.096 | ||
| R² (%) | 55.4 |
R² 为调节变量相对于仅含截距模型所解释的研究间方差比例。
结果解读
每周培训每增加一小时，期望效应量增加 0.111（95% 置信区间 0.035 – 0.186，p = .004）；调节变量的整体 Wald 检验为 χ²(1) = 8.21。纳入培训时长后，残差 τ² 为 0.0255，残差 I² 为 52.3%：培训时长解释了 55.4% 的研究间方差，其余部分是模型中的调节变量无法解释的异质性。Meta 回归是跨研究的观察性比较：斜率描述的是不同项目之间效应的差异，而不是某个项目多加一小时会发生什么。
输出表格说明
- 参数估计
- 截距以及每个协变量或因子虚拟变量的系数，附标准误、z 或 t、显著性和区间。脚注说明所用模型与 τ² 方法。
- 模型检验与残差异质性
- 调节变量的整体检验（Wald χ² 或 F）、残差同质性 Q 及其自由度与显著性、τ² 或离散参数 φ、残差 I²、H²，以及随机效应模型下的 R²。
前提假设与注意事项
- 调节变量在研究层面测量，并在查看结果之前确定。
- 在分析尺度上（比值类指标为对数尺度），效应与每个连续调节变量呈线性关系。
- 残差真实效应服从方差恒为 τ² 的正态分布（随机效应模型）。
- 调节变量之间不存在共线性；若存在，面板会提示移除其中一个。
结果如何验证
在含一个连续调节变量和一个三水平调节变量的七项研究参考数据上，固定效应系数、标准误、调节变量检验和残差 Q 与 R metafor 5.2.1 rma(mods=) 一致到 1e-8；REML、DL、ML 随机效应的 τ²、系数和标准误一致到 1e-6，调节变量检验、I² 与 H² 一致到 1e-5；Knapp-Hartung 标准误一致到 1e-6，F 检验与 p 值一致到 1e-5。乘性离散参数模型与 R² 没有单独的参照测试。 验证证据（英文）
常见问题
需要多少项研究？
常见经验法则是每个调节变量至少十项研究。面板只要求研究数多于参数个数，但研究更少时系数不可靠，出现虚假发现的风险很高。
是否应使用 Knapp-Hartung 校正？
一般推荐在随机效应 Meta 回归中使用：检验变为基于残差自由度的 t 与 F 检验，更接近名义错误率。将因子截断为 1 是更保守的变体。
这里的 R² 是什么意思？
从仅含截距的模型到含调节变量的模型，τ² 减少的比例。即使调节变量显著，R² 也可能为 0%，且研究较少时估计不精确。
效应量从哪里来？
Meta 回归使用预先计算的效应量与标准误。请先根据二分类或连续结局研究计算这些值（比值类指标使用对数尺度），再加入调节变量列。
相关过程
用你自己的数据运行 Meta 回归
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。