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(8)

此外，异质性可以用来评估模型选择的充分性。一些研究表明，如果研究中效应大小的异质性超过低阈值，使用随机效应模型是最合适的。与固定效应模型相比，随机效应模型通常更为保守，但当异质性较低时，这两种模型的结果相似(Littleet al., 2012)。因此，如果异质性超过了低阈值(I2 > 25%)，则应在元分析中使用随机效应模型。
2.4.4 发表偏差
发表偏向通过漏斗图的目视检查， Egger’s回归检验(DeMaria et al., 2015)，Duval和Tweedie’s修剪填充法进行评估。在漏斗图中，如果效应大小以加权总体效应大小为中心对称、倒锥形分布，表明没有发表偏差。在Egger’s回归检验中，应当计算Egger’s截距和95% 置信区间，如果截距与0无显著差异(p> .05)表示不存在发表偏向。Duval和Tweedie’strim- fill方法中，对纳入研究中效应大小的分布在左右两边进行修剪或填充，以提供对称分布。如果调整后的效应大小与观察到的效应大小之间的差异不显著，表明没有发表偏向。

38篇文章共49个效应大小符合纳入标准(Fig.1)，总人数为1263人。每个研究的效应大小和95% CI的森林图如Fig. 2所示。
3.1 总体效应量
总体效应大小无统计学意义，g = -0.06, CI:-0.21 ~ 0.10, Z = -0.72, p = 0.47。异质性分析显示，纳入的研究中存在中度异质性，Q(48) = 173.01, p < 0.001, I2 = 72.26，说明随机效应模型是合适的，存在显著的调节因子影响情绪偏向。
3.2 调节变量分析
唤醒度调节因子(高/低)有统计学显著性，Q (1) =6.70, p < 0.05。高唤醒刺激的总体效应值(g = -0.27, CI: -0.48至-0.05)显著低于低唤醒刺激(g = 0.12, CI: -0.08至0.32)。其中，高唤醒刺激与可靠负性偏向相关(Z = -2.46, p <0.05)，而低唤醒刺激的情绪偏向无统计学意义(Z = 1.17, p = 0.24)。