Meta-Analysis（元分析）
定量元分析专用 Skill。在 systematic-review 完成 L1-L8 之后，从 L9 起大幅扩展为完整定量合并工作流。R 统计由 Claude Code 在本地 R 环境直接执行 Rscript（metafor 等），原始输出（summary / warnings / sessionInfo）入审计包、红灯由 R 算（不靠 LLM 读数字），与 ssci-plots 联动产出森林图 / 漏斗图。
快速入口：第一可执行步骤见 §3 主 Agent 启动流程 + §4.2 L9.1 效应量提取。详细方法见 references/ + scripts/ + 底座 SSOT。
1. 触发与适用场景
1.1 触发短语
英文：meta-analysis、effect size pooling、random-effects model、forest plot、funnel plot、heterogeneity I-squared、meta-regression、subgroup analysis、Hunter-Schmidt、RVE meta-analysis、three-level meta-analysis、MASEM、meta-analytic SEM、reliability generalization、p-curve、PET-PEESE、RoBMA、metafor、psychmeta。
中文：元分析、Meta 分析、定量综合、效应量合并、森林图、漏斗图、异质性、随机效应模型、Meta 回归、亚组分析、心理学元分析、量表元分析、信度概化、心理测量元分析、依赖效应量、RVE 元分析、三层元分析、出版偏倚、p 曲线。
1.2 反向触发（不适用 / 切到其他 Skill）
| 用户场景 | 切到 |
|---|---|
| 只做检索/筛选/RoB（L1-L8），不做合并 | systematic-review |
| 只做定性证据综合（无效应量） | systematic-review（质性路径）或 literature-set-review |
| 已收集文献集，要写综述但不做合并 | literature-set-review |
| 叙述综述 / 范围综述 / 整合综述 | field-overview-review |
| 50 年/30 年的领域发展史综述 | field-evolution-review |
| 理论建构 / 构念分析 / 对立理论比较 | theoretical-review |
| 渲染森林图/漏斗图 | ssci-plots（联动） |
1.3 启用条件提示
- 心理学场景（默认必读）：触发关键词含心理学构念、量表（BDI、SCL-90、Big Five 等）、APA 期刊、JARS、复制危机。同时加载
SSOT-PSYCHOLOGY-SUPPLEMENTS.md（含 8 议题）。 - 中文场景：用户中文交流、提及《心理学报》《心理科学进展》、CNKI、GB/T 7714。同时加载
SSOT-CHINESE-CONTEXT.md。 - 网络元分析：用户比较 ≥3 种治疗或提及 NMA / network meta-analysis。同时加载
SSOT-SYNTHESIS-METHODS.md§4。
2. 假设前提（L1-L8 已就绪）
本 Skill 假设 L1-L8 已就绪：用户已通过 systematic-review 或自行完成研究问题构造、检索、筛选、提取、RoB（详见 §13 与 systematic-review 联动）。如未完成 L1-L8，主 Agent 应建议先切到 systematic-review。
3. 主 Agent 角色与责任
你是协调者、判断者、规划者，不是执行者。 每个 SubAgent 必须使用当前可用的最强模型（与主 Agent 同级，不为省成本降级）；默认阻断；同消息内多 Agent 调用 = 并行。
3.1 主 Agent 必读（启动后立即加载，不等待"何时加载"决策表）
主 Agent 在 Skill 触发后立即加载以下 SSOT，不允许等到工作流中后段才"按需加载"：
全 6 Skill 共享必读（强制）：
review-methodology-foundations/references/SSOT-AI-FAILURE-DEFENSES.md（4 类 LLM 失败模式与防御 — MA 4 类全部 CORE，§2 §3 加强）review-methodology-foundations/references/SSOT-LIFECYCLE-12-PHASES.md（任意位置确认当前阶段）review-methodology-foundations/references/SSOT-METHODOLOGY-TERMINOLOGY.md（跨阶段术语统一）
MA 特定必读：
SSOT-EFFECT-SIZE-DECISION.md（L9.1 必读）SSOT-SYNTHESIS-METHODS.md（L9.4 模型选择 / L9.5 异质性 / L9.9 出版偏倚）SSOT-PSYCHOLOGY-SUPPLEMENTS.md（心理学场景默认必读，含 8 议题）
MA 在 SSOT-AI-FAILURE-DEFENSES 的强防御项（4 类全 CORE，§2 §3 加强）：
- §2 效应夸大加强：除 Cohen 表外，加 Funder & Ozer 2019 严格标准；CI 强制延伸到所有 subgroup / meta-regression 结果
- §3 置信幻觉加强：异质性 I² > 75% 强制不呈现合并效应；publication bias 必做清单 = funnel（contour-enhanced）+ 回归检验（Egger / Peters / Harbord，按效应量类型路由）+ 心理学补充 ≥ 1（p-curve / p-uniform* / PET-PEESE / selection models / RoBMA）；trim-and-fill 仅作敏感性分析（与 §4.2 L9.9 一致）
3.2 启动流程（第一可执行步骤指引）
派发顺序按 §4 工作流：
0. MA 入口 preflight（关 BK-1）：派 L9.1 前确认 decisions/01/02/07/08 已就绪——联合路径由 SR L1-L8 产出；独立 MA 入口（用户已自行完成 L1-L8、直接进 MA）须先据 §3.3"独立 MA 入口脚手架"从 decisions_templates/ 拷模板填好这 4 档。缺任一即阻断 L9.1（不读决策档案直接执行违反 §3.3 强制必读）。
- L9.1 派发 Effect-Size-Extractor（第一可执行步骤，见 §4.2）→ 每研究效应量 + SE
- L9.2-L9.4 串行（校正 → 依赖 → 模型选择）
- L9.5 异质性先行（其阻断信号决定 L9.6/L9.7 是否强制）→ L9.6/L9.7 可并行；L9.8 敏感性须串行于 L9.5 之后（leave-one-out / FE vs RE / τ² 估计器对照都依赖 L9.5 已定的模型基线，不与 L9.5 并行）
- L9.9 单独跑（依赖前面结果）；L9.10 按需
- L10 GRADE → L11 写作（含 Chart-Bridge ssci-plots 联动）→ L12 自评
3.3 跨阶段决策档案规则（强制）
主 Agent 在每阶段产出后将决策结论写入 decisions/ 子目录（与本任务工作目录平级）。每个决策档案为独立 md 文件（YAML frontmatter + 正文，≤ 100 行/档），不复制 SSOT 内容。
MA 决策档案目录结构（与 SR 联合时复用 SR 的 01-08）：
decisions/
01_type_decision.md # L1：含心理学场景判定（关键 — 决定 L11 加载 JARS-Quant）
02_research_question.md # L2：PICO + 效应量预设
03_mode_decision.md # L3：严格 vs 学习
07_data_types.md # L7：双人提取字段
08_rob_tool_decision.md # L8：RoB 工具
09_synthesis_decision.md # L9：FE/RE/RVE/三层/MASEM 选择 + k 阈值
09.1_effect_size.md # L9.1：效应量类型 + SE 反算
09.4_model_selection.md # L9.4：FE vs RE
09.5_heterogeneity.md # L9.5：I² / Q / τ² / 95% PI
09.6_subgroup.md # L9.6：k≥10 启用
09.9_publication_bias.md # L9.9：4+ 工具
10_grade_decision.md # L10
11_reporting_standard.md # L11：APA MARS Table 9 + PRISMA 2020 + 12 处差异
独立 MA 入口决策档案脚手架（关 BK-1，必读）：MA 第一可执行步骤 L9.1 必读 decisions/01/02/07/08（§3.3 跨阶段强制必读 + decision-provenance §3），但这 4 档的生产者在 SR L1-L8。两条入口分别这样落地，避免独立入口"必读却无人创建"而卡死：
- 联合路径（
path: combined_with_sr）：SR L1-L8 已产01/02/03/07/08（共用同一decisions/目录）→ MA 直读不重写（衔接门见 §13.1 N-4）。 - 独立 MA 入口（
path: standalone，用户已自行完成 L1-L8、直接进 MA）：主 Agent 在派 L9.1 之前，把用户已完成的 L1-L8 结论落成01_type_decision.md（含心理学判定）/02_research_question.md（PICO + 效应量预设）/07_data_types.md（数据类型 + 信度 + n）/08_rob_tool_decision.md——直接拷review-methodology-foundations/decisions_templates/对应空白模板骨架填写（模板含 frontmatter + 决策结论/依据/上下游/校验结构）。 - 结构性阻断门（非"prompt 提醒"）：
01/02/07/08缺任一 → preflight 阻断 L9.1（视作"未读决策档案直接执行"）；不允许主 Agent 即兴补写无模板的决策档案，也不允许跳过这 4 档直接派 Extractor。
decisions_templates/是空白模板骨架（S4 建，路径review-methodology-foundations/decisions_templates/），覆盖 SR 11 类 + MA 5 个 09.x 子阶段 + 监督产物04a/07a/09.x_audit。它是"给 01/02/07/08 一个可拷的起点"，本身不是决策实例。
跨阶段强制必读：L9/L10/L11/L12 阶段的所有 SubAgent prompt 必含：
**必读（决策档案）**：
- decisions/01_type_decision.md（含心理学判定 → L11 加载 JARS-Quant 的依据）
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md（按本阶段需要选 09.1/09.4/09.5 等）
- decisions/10_grade_decision.md（仅 L11/L12）
- decisions/11_reporting_standard.md（仅 L12）
主 Agent 在 L11 写作前必须二次验证：当前 L11 SubAgent 计划的报告标准与 decisions/01_type_decision.md（含心理学判定）+ decisions/11_reporting_standard.md 一致。心理学场景必须叠加 JARS-Quant Table 9 在 PRISMA 2020 上。不一致即阻断。详见 references/decision-provenance.md。
3.4 必须亲自做 vs 必须外包
| 必须亲自做 | 必须外包给 SubAgent |
|---|---|
| 阅读用户需求 + 关键文件 | 任何 R 代码生成（按 §5 R 包路径选择 + 模板） |
| 决定是否走"SR L1-L8 + MA L9-L12"联合工作流 | 任何效应量提取/转换的具体执行 |
| 撰写规划文档（L9 子顺序、R 包、模型选择理由） | 任何模型拟合输出的解读 |
| 评估每轮 SubAgent 产出（计算正确性 / 模型合理性 / PB 稳健性） | 任何出版偏倚检验的具体执行与解读 |
| 与用户的关键沟通（数据格式确认、模型仲裁、最终交付） | 任何 APA MARS 报告章节的撰写 |
| 决策档案的写入与维护 | — |
3.5 不允许的妥协
- 不允许主 Agent 直接写 R 代码 / 直接调 MCP（PRES-003）
- 不允许 SubAgent 替主 Agent 做"是否信任合并效应"的最终判断
- 不允许跳过出版偏倚检验或异质性披露阶段
- 不允许 I² > 75% 时仅呈现合并效应作为主要结论（违反 SSOT-AI-FAILURE-DEFENSES §3）
- 不允许 k < 5 时强行 RVE / 三层（详见 §4.2 L9.3）
- 不允许 k < 10 时强行 publication bias 检验（详见 §11.5）
4. 完整工作流（12 阶段对齐）
按 12 阶段对齐（参见 SSOT-LIFECYCLE-12-PHASES.md）。MA 在 SR 基础上 L9 大幅扩展为 10 子阶段。
4.1 12 阶段总览（L1-L8 默认由 SR 完成）
| 阶段 | 关键产出 | 决策档案 | SSOT |
|---|---|---|---|
| L1 | 类型识别（含心理学判定） | 01_type_decision.md | SSOT-REVIEW-TYPES |
| L2 | PICO + 效应量预设 | 02_research_question.md | SSOT-PICO-FRAMEWORKS |
| L3 | 严格 vs 学习模式 | 03_mode_decision.md | SSOT-MODE-PROFILES |
| L4 | 检索（PsycINFO + ClinicalTrials.gov + 灰色文献） | — | SSOT-SEARCH-STRATEGY |
| L5-L6 | PRISMA 流程 + 双盲筛选 | — | SSOT-PRISMA-FLOW-DIAGRAM |
| L7 | 双人提取（含 ES + SE + 信度 + n） | 07_data_types.md | SSOT-EXTRACTION-FIELDS |
| L8 | RoB（含 Metapsy 心理治疗扩展） | 08_rob_tool_decision.md | SSOT-ROB-TOOL-MAPPING |
| L9 | 定量合并（10 子阶段，本 Skill 核心） | 09*.md | SSOT-SYNTHESIS-METHODS + SSOT-EFFECT-SIZE-DECISION |
| L10 | GRADE | 10_grade_decision.md | SSOT-GRADE-FRAMEWORK |
| L11 | APA MARS + PRISMA 2020 + ssci-plots 联动 | 11_reporting_standard.md | SSOT-REPORTING-STANDARDS |
| L12 | AMSTAR 2 自评 | — | SSOT-AMSTAR-2-CHECKLIST |
如果用户未完成 L1-L8，主 Agent 先建议切到 systematic-review。
4.2 L9：定量合并（10 子阶段，第一可执行步骤）
L9.1 效应量提取（第一可执行步骤）：派发前 preflight（关 BK-1/BK-7）——① 确认 decisions/01/02/07/08 已就绪（独立入口按 §3.3 脚手架先建、联合入口由 SR 产；缺则阻断）；② 联合路径必读 decisions/09_synthesis_decision.md 的切换结论（≠"推荐切 MA"则阻断，见 §13.1 N-4）。preflight 通过后派 Effect-Size-Extractor → 5 决策树（D1 二分 / D2 连续 / D3 有序 / D4 计数 / D5 生存）+ 7 SE 反算公式 + 8 unit-of-analysis + 零事件处理。详见 references/L9.1-effect-size-extraction.md。SSOT：SSOT-EFFECT-SIZE-DECISION §1-§5。
L9.2 效应量校正：派 Correction-Agent → Hedges' g 校正（默认 N < 60 关键，校正失败回退见 §11.6）+ Hunter-Schmidt artifact correction（仅心理学量表）。Bare-bones vs Psychometric 模式选择。详见 references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md。
L9.3 依赖性处理（k 阈值决策）：判断依赖性 → 选择方法。
| 场景 | 推荐方法 | k 阈值 | R 包 |
|---|---|---|---|
| 多 outcome / 多时点 / 多对照，依赖结构未知 | RVE | k ≥ 5（< 5 不允许） | robumeta + clubSandwich |
| 层级明确 + k ≥ 20 | 三层 | k ≥ 20（< 20 给 CR2 校正；< 5 不允许） | metafor rma.mv() |
| 多变量关系建模（中介/调节） | MASEM | k ≥ 10 | metaSEM |
| k < 5 | 不允许 RVE / 三层 | — | 走单研究叙述 + sensitivity 单独报告（A 级替代路径） |
派 Dependency-Agent。详见 references/L9-psychology-special.md。
L9.4 固定/随机效应模型选择：派 Model-Selection-Agent → 决策树 + 默认 RE（FE 仅在干预真无效假设下）+ τ² 估计器（REML 默认）+ HKSJ CI（k > 2 + τ² > 0 时优于 Wald）+ k=2-4 决策表（详见 §11.4）。详见 references/L9.4-fixed-random-models.md。
默认 RE 模型的诚实披露（L9.4 末尾必嵌入 — C4 三段体例）： 段 1（教材原假设）：FE vs RE 选择依赖研究者对异质性的判断（Borenstein 2009; Cochrane §10）。 段 2（LLM 实现差异）：本元分析默认采用 RE，FE 仅在干预真无效假设下使用。差异 3 处：(1) 无显式用户提供异质性假设；(2) k < 10 时使用 HKSJ；(3) k = 2-4 时跑 FE+RE 双 sensitivity（Cochrane v6.5 §10.10.4）。 段 3（缓解 + Limitations）：报告 FE+RE 双结果；k ≥ 5 报 PI；心理学场景 + k < 5 报 PI 但显式标注"normal 假设不稳健"。在 Discussion 披露默认 RE 的方法学选择。
L9.5 异质性检验：派 Heterogeneity-Agent → Q + I² + τ² + 95% PI（k ≥ 5 必报；心理学必报）。I² > 75% 不允许仅呈现合并效应；I² > 90% 完全禁止合并 + 强制 subgroup / meta-regression（详见 §11.5）。详见 references/L9.5-heterogeneity.md。
L9.6 子组分析（k ≥ 10）：派 Subgroup-Agent → 预设 vs 事后必须区分（JARS Table 9 §METHOD §6）+ 正式统计检验子组间（不允许仅比较子组内 P 值）+ ICEMAN 6 维度。详见 references/L9.6-subgroup-metaregression.md。
L9.7 Meta-regression（k ≥ 10）：派 Metaregression-Agent（与 L9.6 可并行）→ 每分类特征 ≥ 10 项观察 + 比率类用 log-transformed。详见 references/L9.6-subgroup-metaregression.md。
L9.8 敏感性分析：派 Sensitivity-Agent（串行于 L9.5 之后——leave-one-out / FE vs RE / τ² 估计器对照 / 排除高 RoB 复算都需要 L9.5 已定的模型基线，不与 L9.5 并行；与 L9.9 可并行）→ Leave-one-out + FE vs RE vs HKSJ + 不同 τ² 估计器 + 不同 effect measure + 排除高 RoB 复算。
L9.9 出版偏倚：派 PublicationBias-Agent → 核心必做（funnel + Egger/Harbord/Peters；k ≥ 10 才有效，详见 §11.5）；心理学补充 ≥ 1（p-curve / PET-PEESE / RoBMA / Selection models）。依赖效应量（L9.3 判定三层/RVE）→ 发表偏差用 Egger-MLMA（scripts/egger_mlma.R），非单水平 Egger；RoBMA 需 JAGS 默认不选（缺则降级 puni_star+PET-PEESE）。Trim-and-fill 已被 Cochrane v6.5 降级（仅作敏感性分析）。详见 references/L9.9-publication-bias.md。
L9.10 MASEM（按需）：仅中介/调节 SEM 综合启用。TSSEM / One-Stage MASEM。详见 references/L9-psychology-special.md §3。
4.3 L10：GRADE 证据等级
派 GRADE-Agent → 元分析专属考虑：不精确（CI 跨决策阈值）、不一致（I² > 50% 通常降级）、出版偏倚（funnel 不对称 + Egger p < 0.10 降级）+ 结合 RoB 2 / ROBINS-I。SSOT：SSOT-GRADE-FRAMEWORK。
4.4 L11：报告（APA MARS Table 9 + PRISMA 2020 + 联动产图）
派 Write-Agent（2-2-1 备份法）+ 报告标准核对 SubAgent。
- APA MARS Table 9：13 章节完整对接
- PRISMA 2020：27 条清单
- JARS-Quant 12 处差异（心理学场景 — 由决策档案 01_type_decision.md 心理学判定触发）：预先/事后假设分组、心理测量学特征、构念效度、测量误差伪迹、moderator vs subgroup、效应量+CI 强制、Hedges 校正、Bayesian 先验、统计代码位置、不利效应章节
- 联动 ssci-plots：森林图、漏斗图（contour-enhanced）、SoF 表
详见 references/L11-mars-reporting.md。SSOT：SSOT-REPORTING-STANDARDS §1.3.1 + §3。
4.5 L12：自评（AMSTAR 2 元分析维度）
派 Self-Assessment Agent → AMSTAR 2 16 项 + 7 关键域。SSOT：SSOT-AMSTAR-2-CHECKLIST。
5. R 包路径（按议题映射）
| 议题 | 主 R 包 | 代码模板 |
|---|---|---|
| 标准元分析（FE/RE） | metafor | scripts/metafor_basic.R |
| 依赖效应量（RVE） | robumeta + clubSandwich + wildmeta | scripts/rve_clubSandwich.R |
| 依赖效应量发表偏差（Egger-MLMA） | metafor rma.mv / robumeta+clubSandwich | scripts/egger_mlma.R |
| 三层元分析 | metafor rma.mv() | scripts/metafor_basic.R（含 rma.mv 块） |
| 心理测量（Hunter-Schmidt） | psychmeta | scripts/psychmeta_hunter_schmidt.R |
| MASEM | metaSEM（+ OpenMx / lavaan） | scripts/metaSEM_masem.R |
| p-curve / p-uniform | puniform · dmetar::pcurve | scripts/puniform_pcurve.R |
| PET-PEESE | stats::lm（WLS 原始实现；metafor mods 为可辩护变体，须披露） | scripts/metafor_basic.R §11 + references/L9-r-code-templates.md §8 |
| Selection models | weightr | （示例代码） |
| RoBMA | RoBMA | 需 JAGS 系统库（本机缺）→ 默认不选，降级 puni_star + PET-PEESE（见 §11.2 / L9.9 §4.3） |
| 贝叶斯元分析 | brms · rstanarm · bayesmeta | （高级，按需） |
桥接哲学：本 Skill 由 Claude Code 在本地 R 环境直接执行 Rscript（metafor 等）跑出统计结果——不再生成代码让用户复制到外部环境跑后回填。print(summary()) + warnings() + sessionInfo() 原始输出原样进审计包（侧车文件 + 审核卡⑤段下钻），可复现；阻断/披露红灯由 scripts/audit_parse.R 从 rma 对象字段直接算出 flag JSON，不靠 LLM 读 summary 文本。保留的原则内核：不编造统计结果、人在签核点担责、可复现。详见 references/L9-r-code-templates.md。
LLM 介导本地执行工作流的诚实披露（嵌入
references/L9-r-code-templates.md顶部 — C4 三段体例）： 段 1（教材原假设）：标准元分析假设分析师直接编写并执行 R 代码（或用 JASP / RevMan GUI），完全控制数据输入、模型设定、输出验证。 段 2（LLM 实现差异）：本综述由 Claude Code 在本地 R 环境直接执行 LLM 生成的Rscript，并把原始输出（summary / warnings / sessionInfo）留痕入审计包；阻断/披露判定由固定的audit_parse.R从 rma 对象字段算出，不靠 LLM 解读输出文本。这消除了"复制粘贴回填 / 预期与实际数据格式错配"那一类旧风险。仍存在的真局限：R 代码仍由 LLM 生成，可能存在编译通过但结果错误的细微 bug（错变量名 / 错函数调用）——本地执行不能自动证明结果正确。 段 3（缓解 + Limitations）：(1) 脚本经回归测试套件（tests/）验证 + 原始输出可人工复核，红灯由 R 算降低 LLM 读错数字的风险；(2) 至少包含一项 sensitivity analysis（leave-one-out / 替代 τ² 估计器）以检测异常；(3) 人在签核点对统计判断拍板担责；可复现性靠 sessionInfo + 固定脚本。在 Discussion/Limitations 仍应披露"统计由 LLM 介导的本地自动化工作流完成"是方法学特征。
详见 references/L9-r-code-templates.md。
6. 何时加载哪个 references 文件
| 何时加载（具体决策动作粒度） | references 文件 |
|---|---|
| 当主 Agent 在 L9.1 阶段需要决策效应量类型 / SE 反算 / unit-of-analysis 时 | references/L9.1-effect-size-extraction.md |
| 当主 Agent 在 L9.4 阶段需要决策 FE/RE/HKSJ 时 | references/L9.4-fixed-random-models.md |
| 当主 Agent 在 L9.5 阶段需要披露异质性指标（含 I² > 75% 阻断决策）时 | references/L9.5-heterogeneity.md |
| 当主 Agent 在 L9.6 / L9.7 阶段（k ≥ 10）需要派发子组 / meta-regression SubAgent 前 | references/L9.6-subgroup-metaregression.md |
| 当主 Agent 在 L9.9 阶段（k ≥ 10）需要派发出版偏倚 SubAgent 前 | references/L9.9-publication-bias.md |
| 当主 Agent 派发任何 R 代码生成 SubAgent 前 | references/L9-r-code-templates.md |
| 当心理学场景触发，主 Agent 在 L9.2-L9.10 中需要决策 8 议题（RVE/三层/MASEM/H-S/RG）时 | references/L9-psychology-special.md |
| 当主 Agent 在 L11 写作前需要决策 APA | references/L11-mars-reporting.md |
| … | … |
（注：完整文件按原文档 §6 表格补充，此处因长度省略部分行。）