用途
Meta-Analysis 是一个面向定量元分析的 AI 技能，核心目标是把多项研究中的效应量进行统计合并，得出可解释的总体效应估计。它定位在“系统综述完成 L1–L8 之后”的定量合并阶段，从 L9 起接管并扩展为完整的定量合并工作流。若用户尚未完成检索、筛选、提取和偏倚风险评估等前置步骤，建议先使用 systematic-review。
主要能力
该技能覆盖以下定量元分析环节：
- 效应量提取与校正：支持二分、连续、有序、计数、生存等效应量决策树，提供 SE 反算、单位分析处理与零事件处理；默认进行 Hedges' g 校正，心理学量表可选用 Hunter-Schmidt 伪迹校正。
- 依赖效应量处理：按样本量阈值选择 RVE、三层元分析或 MASEM，多 outcome、多时点、多对照结构有对应方法。
- 模型选择：默认随机效应模型，固定效应仅在特定假设下使用；τ² 估计器默认 REML，并采用 HKSJ 置信区间。
- 异质性评估：报告 Q、I²、τ² 与 95% 预测区间；I² 过高时限制合并效应的呈现。
- 亚组分析与元回归：区分预设与事后分析，要求正式检验亚组间差异，并给出 ICEMAN 维度。
- 敏感性分析：留一法、固定/随机效应对照、不同 τ² 估计器、不同效应量指标、排除高偏倚风险研究后复算。
- 发表偏倚检验：漏斗图、Egger/Harbord/Peters 检验；心理学补充 p-curve、PET-PEESE、RoBMA、选择模型等；依赖效应量时使用 Egger-MLMA。
- 心理学专用方法：RVE、三层元分析、MASEM、Hunter-Schmidt、信度概化等。
- 报告与图表：生成森林图、漏斗图（含 contour-enhanced）、PRISMA 流程图与 RoB 图，报告标准对齐 APA MARS Table 9、PRISMA 2020，心理学场景叠加 JARS-Quant。
使用方式
该技能由主 Agent 协调，按 12 阶段推进，其中 L1–L8 通常由 system-review 完成，L9 展开为 10 个子阶段。执行时由 Claude Code 在本地 R 环境直接运行 Rscript（如 metafor 等），原始输出（summary、warnings、sessionInfo）进入审计包；阻断与披露判定由固定脚本从模型对象字段计算，避免依赖 LLM 直接读取输出数字。L9.1 派发前需确认 decisions/01、02、07、08 已就绪，否则阻断；独立元分析入口需先根据模板建立这些决策档案。R 包按议题映射，包括 metafor、robumeta、clubSandwich、metaSEM、psychmeta、puniform、RoBMA 等。
适用场景
适用于从多项研究中合并效应量的任务，包括心理学元分析、量表元分析、信度概化、依赖效应量元分析、三层元分析、MASEM、发表偏倚评估等。触发关键词包括：元分析、Meta 分析、效应量合并、森林图、漏斗图、异质性、随机效应模型、元回归、亚组分析、心理学元分析、量表元分析、RVE、三层元分析、MASEM、p 曲线、PET-PEESE、RoBMA 等。
不适用于：只做检索/筛选/偏倚风险评估而不合并（使用 system-review）；只做定性证据综合；已有文献集但只写综述不做合并；叙述综述/范围综述/整合综述；领域发展史综述；理论建构/构念分析/对立理论比较。系统综述与元分析联合使用时，应先运行 systematic-review 完成 L1–L8，再用本技能处理 L9–L12。
限制
该技能假设 L1–L8 已就绪；缺少 decisions/01、02、07、08 时会阻断 L9.1。存在若干方法学红线：I² > 75% 时不允许仅呈现合并效应，I² > 90% 完全禁止合并；k < 5 不允许强行使用 RVE 或三层元分析；k < 10 时 publication bias 检验效力有限；RoBMA 依赖 JAGS 系统库，缺失时默认不选并降级。R 代码仍由 LLM 生成，本地执行不能自动证明结果正确，需人工签核，并在报告中披露统计由 LLM 介导的本地自动化工作流完成。