元分析｜情绪偏向随刺激类型、刺激唤醒度和任务类型而变化的规律(7)

2.3.3 文化背景
根据作者对被试的描述提取文化背景数据。由于许多研究没有报告被试的文化背景，所以文化背景的分类是基于被试参与实验的地点。具体来说，来自东亚(如中国)的参与者被划分为东方文化，来自欧洲或北美(如法国、英国、荷兰、波兰、西班牙、德国和美国)的参与者被划分为西方文化。
2.3.4 任务类型
根据实验步骤描述提取任务类型数据。指导被试进行外显情绪分类的研究被确定为外显情绪任务(例如，识别刺激效价、唤醒或情绪类别)。相比之下，要求参与者执行非情绪任务的研究被确定为内隐情绪任务(例如：观看、阅读或根据非情绪属性进行分类)。数据提取如Table1所示。
2.4 元分析
2.4.1 效应量
我们使用Hedges g 作为效应量的指标，以避免Cohen’s d对于小样本研究效应量估计偏高的问题。在目前的分析中，Hedges g的计算如下:g =(正性刺激均值-负性刺激均值)/合并后标准差。如果缺少该公式的相关统计量，则根据t或p值和样本量得出Hedges g。与之前的研究相似，如果报告的结果是显著的，但没有提供p值，则假设单尾p值为0.025。如果报告结果为p < 0.05, p < 0.01或< 0.001，则假设双尾p值分别为0.05、0.01或0.001。如果结果被报告为不显著，但没有提供数据来计算确切的p值，则结果被保守地赋值为0.50的单尾p值。
采用CMA(Version 2; Biostat,Englewood, NJ, USA)软件包来预计、计算和比较效应量的大小。
2.4.2 模型选择
大多数元分析基于固定或随机效应模型。Borensteinet al. (2010)认为模型的选择应该依赖于先前的研究，即纳入的研究具有相同的目的并显示出相同的效果。如果纳入研究的特征(如参与者和方法)是一致的，而且元分析的结果不能推广到更广泛的人群，那么使用固定效应模型是合适的。否则，应选择随机效应模型。由于所选的文章在被试、方法和刺激类型方面不一致，我们希望结果可以推广到更广泛的人群，因此我们选择了随机效应模型进行当前的元分析。
2.4.3 异质性检验
使用Q和I2检验评估效应大小分布的异质性。在Q检验中，Q值有统计学意义(p <0.05)，表示效应大小分布存在异质性。在I2检验中，I2反映了实际效应大小差异所解释的总体方差的比例，I2值越大，异质性越大。Higgins et al. (2003)认为，25%、50%和75%应分别视为异质性的低、中、高阈值。