The most prominent goal when conducting a meta-analysis is to estimate the true effect size across a set of studies. This approach is problematic whenever the analyzed studies have qualitatively different results; that is, some studies show an effect in the predicted direction while others show no effect and still others show an effect in the opposite direction. In case of such qualitative differences, the average effect may be a product of different mechanisms, and therefore uninterpretable. The first question in any meta-analysis should therefore be whether all studies show an effect in the same, expected direction. To tackle this question a model with ordinal constraints is proposed where the ordinal constraint holds each study in the set. This “every study” model is compared with a set of alternative models, such as an unconstrained model that predicts effects in both directions. If the ordinal constraints hold, one underlying mechanism may suffice to explain the results from all studies, and this result could be supported by reduced between-study heterogeneity. A major implication is then that average effects become interpretable. We illustrate the model comparison approach using Carbajal et al.’s (2021) meta-analysis on the familiar-word-recognition effect, show how predictor analyses can be incorporated in the approach, and provide R-code for interested researchers. As common in meta-analysis, only surface statistics (such as effect size and sample size) are provided from each study, and the modeling approach can be adapted to suit these conditions. (PsycInfo Database Record (c) 2021 APA, all rights reserved)

中文翻译：

---

每个学习吗？在荟萃分析中实施序数约束。

进行荟萃分析时最突出的目标是估计一组研究的真实效应量。只要分析的研究有不同的定性结果，这种方法就会有问题；也就是说，一些研究表明在预测的方向上有影响，而另一些研究表明没有影响，还有一些研究表明在相反的方向上有影响。在这种质量差异的情况下，平均效果可能是不同机制的产物，因此无法解释。因此，任何荟萃分析的第一个问题应该是所有研究是否都显示出相同的预期方向的影响。为了解决这个问题，提出了一个具有序数约束的模型，其中序数约束包含集合中的每个研究。将这种“每项研究”模型与一组替代模型进行比较，例如预测两个方向影响的无约束模型。如果序数约束成立，一个潜在的机制可能足以解释所有研究的结果，并且这一结果可以通过减少的研究间异质性来支持。一个主要的含义是平均效应变得可以解释。我们使用 Carbajal 等人 (2021) 对熟悉词识别效果的元分析来说明模型比较方法，展示如何将预测变量分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）如果序数约束成立，一个潜在的机制可能足以解释所有研究的结果，并且这一结果可以通过减少的研究间异质性来支持。一个主要的含义是平均效应变得可以解释。我们使用 Carbajal 等人 (2021) 对熟悉词识别效果的元分析来说明模型比较方法，展示如何将预测变量分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）如果序数约束成立，一个潜在的机制可能足以解释所有研究的结果，并且这一结果可以通过减少的研究间异质性来支持。一个主要的含义是平均效应变得可以解释。我们使用 Carbajal 等人 (2021) 对熟悉词识别效果的元分析来说明模型比较方法，展示如何将预测变量分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）研究间的异质性降低可以支持这一结果。一个主要的含义是平均效应变得可以解释。我们使用 Carbajal 等人 (2021) 对熟悉词识别效果的元分析来说明模型比较方法，展示如何将预测变量分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）研究间的异质性降低可以支持这一结果。一个主要的含义是平均效应变得可以解释。我们使用 Carbajal 等人 (2021) 对熟悉词识别效果的元分析来说明模型比较方法，展示如何将预测变量分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）的 (2021) 对熟悉词识别效果的元分析，展示了如何将预测分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）的 (2021) 对熟悉词识别效果的元分析，展示了如何将预测分析纳入该方法，并为感兴趣的研究人员提供 R 代码。正如荟萃分析中常见的那样，每项研究仅提供表面统计数据（如效应量和样本量），并且可以调整建模方法以适应这些条件。（PsycInfo 数据库记录 (c) 2021 APA，保留所有权利）