Meta-Analysis

這個暑假我們要修兩門課，一門是與研究方法有關，另一門是健康照護策略分析(Health Care Strategy Analysis)。在研究方法課程方面，我們學校的商學院有一個研究方法的推廣與教育中心(Center for the Advancement of Research Methods and Analysis, CARMA)每年在暑假一開始會舉辦為期一週的密集課程，給校內外人士研習進修。今年的活動就在這禮拜舉行，分成兩階段(每階段三天)，每階段各有六種不同主題/班別，共有校內外約250人次的學員來參加，講師也大多是從外校來並且實際從事相關主題的研究有豐富經驗的學者專家。

我們系上的博士班這幾年來都將此課程列入研究方法的必修課之一。今年博士班主任指定我們去修的單元分別是Meta-Analysis(第一階段)與Grounded Theory(第二階段)。

Meta-這個字有超越、全面性的意思。因此我們可以將Meta-analysis瞭解為一種架在其他眾多研究分析之上所作涵蓋面更廣的分析，台灣好像有人將Meta-analysis翻譯為「後設分析」或「統合分析」，因為meta-也有「後來」的意思，而meta-analysis也是指在別人已經做過的研究之後所做的整合性分析。

簡單來說，meta-analysis是用統計的概念與方法，去收集、整理與分析之前學者專家針對某個主題所做的眾多實證研究，希望能夠找出該問題或所關切的變數之間的明確關係模式。

與人有關的研究(如心理學、個人與組織行為、管理學、醫學等)經常會發生不同的研究得到不同的結果，讓人莫衷一是。在研讀或撰寫研究論文的時候，我們有時候會在該篇文章的重要性與貢獻的章節看到這樣的描述：「雖然該問題已經有許多人做過實證探討，可是這些研究結果相當分歧，以致目前尚無明確的結論。這份研究可以藉由進一步的探索，找到更明確的證據，提供給相關決策者做為依據。」當我們仔細去看以上的陳述，很容易發現這是有問題的。如果前面已經有許多研究得到迴然不同的結果，那再多這一份研究也只是在眾多分歧的研究發現中添入其中某一種發現而已，事實上並無法扭轉整個結論，也無法只憑這份研究就讓我們更清楚問題的真相或全貌。

傳統的文獻整理與敘述分析方法(narrative review)經常是將之前已經發表的針對相關主題的研究結果直接加以整理與比較，所採取的方式主要是去算有幾篇研究所得到的結果是顯著的正相關，有幾篇文章得到是顯著的負相關，然後比較看那一種結論比較多，就拿來當整體的結論。這種方法有一些缺點：首先是每一份研究的條件其實都不一樣，有些樣本多，有些樣本少，所探討的情境也不一定相同，因此每一份研究的結論事實上基礎並不一致，把它們加總起來並做比較會有問題。此外，這種方式所得到的結論頂多告訴我們所探討的關係的方向(正相關或負相關)，研究者無從得知關係的強度或深度大小。

從二十世紀初開始，就有著名的統計學者如Pearson (1904)與Fisher (1932)用統計的方法去分析與整合個別研究的結論。比如，Pearson去分析11份有關傷寒疫苗效果的研究，希望能歸納出明確的結論。在1976年，有位學者Gene Glass 首次使用Meta-analysis的名稱，來代表透過統計分析去整合與分析眾多相同主題的實證研究，以獲得最有代表性的結論的過程與方法。

本來我以為meta-analysis要比一般的實證研究來得簡單，因為只要把別人研究的資料拿來再做一些分析，就大功告成。上了這門課之後，才發現錯了。事實上meta-analysis可能要比一般的實證研究更為困難與繁瑣，花費更多的時間。其中有兩個主要的環節，一個是要廣泛收集相關主題的研究文獻，另一個是分析資料的擷取與整理。一份meta-analysis在確定研究的問題或主題之後，必須進行之前相同主題實證研究的地毯式搜尋，範圍不只是發表在期刊上的研究文獻，還要盡可能包括博碩士的論文、政府機關或研究機構的報告、學術或專業研討會所發表的文章，甚至直接向相關領域的專家請教等等。之所以要如此廣泛收集研究文獻的主要原因，除了是愈多研究文獻累積起來的樣本數愈大，對meta-analysis的結論的強度有正面的貢獻。另一個原因是要避免研究論文的「刊登偏差」(publication bias)。由於研究論文的結論若是呈現統計上顯著性，通常比較會被期刊接受並刊登出來。所以若研究人員只拿期刊上研究文獻來進行meta-analysis，結果會被高估。因此meta-analysis花很多心血去探討各種研究文獻的收集方法。

進行meta-analysis第二個重要環節是從所收集到的研究文獻中擷取並整理出meta-analysis所需要的資料(data coding)，這個步驟非常花時間，對研究者的挑戰性很大。聽授課的老師說通常一份meta-analysis研究計畫的data coding可能都要花上至少半年，多則一、兩年的時間，而且還不盡然能夠獲得全部所需要的資料。這主要是因為每份期刊對每篇文章篇幅的限制、所要求的呈現格式都有出入；而且每份研究的研究情境、所用的變數、操作型定義、尺度也都不一樣。因此，meta-analysis的研究者必須從這些多元且個別的資料中整理出分析所需要的資料，是一大功夫。若是無法從研究文獻中所呈現的資料中直接獲得分析要用的資料，研究者就得設法去換算，或嘗試向原研究的作者索取相關資料。

一般來說，最單純的Meta-analysis需要從實證研究中取得以下幾種資料：樣本數(sample size)、關係係數(effect size，通常是主要的應變數與自變數之間的關連係數)、信心區間(confidence interval)、標準變異差(standard error)、自變數的信度(liability of x)、以及應變數的信度(liability of y)等。然後把這些資料輸入meta-analysis的分析軟體。

比較簡單的meta-analysis主要是考慮取樣誤差(sampling error)，其中主要的原理是每一個個別實證研究都有取樣上的誤差，會對結果的準確度造成影響。有些研究的取樣誤差是正的，有些是負的，Meta-analysis即是希望匯集這些個別研究的樣本，並綜合這些誤差之後(正誤差與負誤差互相抵消)，比較能夠得到一個比個別研究更為準確的結論。

而比較複雜的meta-analysis則除了取樣誤差之外，還考慮測量誤差、樣本的範圍限制(range restriction)等問題。樣本的範圍限制是指實證研究刻意對樣本的條件加以設限所造成的問題。比如我們要研究英文網路課程對大學生學習英文的效果，這份研究若在一間理工學院進行，則其樣本範圍限制會比在一間綜合大學來得大，因為理工學院的學生使用網路能力的分布範圍可能要比一般大學的學生使用網路能力的分布範圍來得窄。

以下舉一個實例來說明meta-analysis。這個meta-analysis例子是去收集與分析從1963年到1988年曾經針對溶栓霉(streptokinase)這種藥是否對對抗血栓及治療心肌梗塞的病人有作用所做過的33份實證研究。這33份實證研究當中，只有6份呈現統計上顯著有效的結論。若用敘述分析的方法，即使到1992年為止，還是無法做出很確定的結論。如果採用meta-analysis的方法去分析，其實在1977年時就可以很明確地得知該種藥物對治療血栓有效。由於當時meta-analysis尚未普遍，因此在對streptokinase的效果不完全清楚的情況下，streptokinase一直處於研究試驗的階段，未能普遍運用於臨床上，因此1977年之後還有許多研究繼續在探討這個問題，其中好幾個隨機控制實驗就有四萬個多位病人參與，其中大約兩萬個病人便沒有接受到streptokinase的治療，其他則有更多心肌梗塞的病人失去服用streptokinase的機會。

也就是說，如果當時有使用meta-analysis去進行分析的話，便可以得知streptokinase對治療血栓確實有效，之後的實證研究其實是可以不需要的。因此現在美國有一些政府部門的研究經費申請在提案時，必須附帶對之前相關主題研究的meta-analysis結論，作為審查研究補助的一個依據。

Meta-analysis有一個特色，就是它可以針對研究者所懷疑的調節因素(moderator)，進行分析探討。比如以上面的streptokinase藥效為例，假如研究者猜測也許病人性別是一個調節因素，比方說streptokinase對男性病人比較有效，對女性病人效果則不明顯。研究人員如果可以從原來的實證研究的對象以性別加以區隔，便可以分析探討性別是否對streptokinase的藥效有決定性的影響。在meta-analysis中，這種考慮調節因素效果的模式叫做fixed effect model；反之，沒有考慮調節因素效果的模式叫做random effect model。

Meta-analysis在實證醫學(Evidence-based Medicine)、組織心理學、管理學、教育研究方面的運用愈來愈廣泛與重要，並且已經形成一個專門的學術與應用領域。由於meta-analysis確實有統整及歸納之前所做過的實證研究的效力，集合個別研究的資源，找出更有力的證據，提供給臨床工作者、組織管理者、教育工作者及政策制定者在進行決策或執行任務時的重要依據或參考，因此所受到的重視與日俱增。