इस सवाल का जवाब देना मुश्किल है, क्योंकि यह मेटा-एनालिटिकल लिटरेचर (ओपी को यहां दोष नहीं देना है - यह साहित्य और विधियों का विवरण है) में सामान्य भ्रम और राज्य के मामलों की गड़बड़ है। , मॉडल, और धारणाएं जो अक्सर गड़बड़ होती हैं)।
लेकिन एक लंबी कहानी को छोटा करने के लिए: नहीं, यदि आप अनुमानों का एक गुच्छा संयोजित करना चाहते हैं (जो किसी प्रकार के प्रभाव, संघटन की एक डिग्री या प्रासंगिक माना जाने वाला कोई अन्य परिणाम निर्धारित करता है) और उन संख्याओं को संयोजित करना समझदारी है, तब आप सिर्फ उनका (बिना वजन वाला) औसत ले सकते थे और यह पूरी तरह से ठीक होगा। इसके साथ कुछ भी गलत नहीं है और मॉडल के तहत हम आम तौर पर मान लेते हैं जब हम मेटा-विश्लेषण करते हैं, तो यह आपको एक निष्पक्ष अनुमान देता है (यह मानते हुए कि अनुमान स्वयं निष्पक्ष हैं)। तो, नहीं, आपको अनुमानों को संयोजित करने के लिए नमूनाकरण संस्करण की आवश्यकता नहीं है।
तो उलटा-भिन्नता वास्तव में मेटा-विश्लेषण करने के साथ लगभग पर्यायवाची क्यों है? यह सामान्य विचार के साथ करना है कि हम छोटे अध्ययनों की तुलना में बड़े अध्ययनों के साथ (छोटे नमूने वाले संस्करणों के साथ) अधिक विश्वसनीयता देते हैं (बड़े नमूने वाले संस्करणों के साथ)। वास्तव में, सामान्य मॉडल की मान्यताओं के तहत, व्युत्क्रम-विचरण भार का उपयोग करने से समान रूप से न्यूनतम विचरण निष्पक्ष अनुमानकर्ता की ओर जाता है(UMVUE) - ठीक है, एक तरह से, फिर से निष्पक्ष अनुमानों को मानते हुए और इस तथ्य की अनदेखी करते हुए कि नमूनाकरण संस्करण वास्तव में अक्सर ज्ञात नहीं होते हैं, लेकिन खुद का अनुमान लगाया जाता है और यादृच्छिक-प्रभाव वाले मॉडल में, हमें विविधता के बारे में भी अनुमान लगाना होगा। लेकिन तब हमने इसे केवल एक ज्ञात स्थिरांक के रूप में माना, जो या तो बिल्कुल सही नहीं है ... लेकिन हाँ, हम इस तरह का UMVUE प्राप्त करते हैं यदि हम उलटा-वज़निंग का उपयोग करते हैं यदि हम अपनी आँखों को बहुत कठोर करते हैं और इनमें से कुछ को अनदेखा करते हैं मुद्दे।
इसलिए, यह अनुमानक की दक्षता है जो यहां दांव पर है, न कि निष्पक्षता ही। लेकिन यहां तक कि एक भारित औसत अक्सर एक उलटा-विचरण भारित औसत का उपयोग करने की तुलना में पूरी तरह से बहुत कम कुशल नहीं होगा, विशेष रूप से यादृच्छिक-प्रभाव वाले मॉडल में और जब विषमता की मात्रा बड़ी होती है (जिस स्थिति में सामान्य भार योजना लगभग समान वजन की ओर ले जाती है वैसे भी!)। लेकिन यहां तक कि निश्चित-प्रभाव वाले मॉडल में या थोड़ी विषमता के साथ, अंतर अक्सर भारी नहीं होता है।
और जैसा कि आप उल्लेख करते हैं, कोई अन्य वज़निंग योजनाओं पर आसानी से विचार कर सकता है, जैसे कि नमूना आकार या किसी फ़ंक्शन द्वारा वेटिंग, लेकिन फिर से यह उलटा-विचरण भार के करीब कुछ पाने का प्रयास है (जब से नमूनाकरण संस्करण हैं) एक बड़ी सीमा, एक अध्ययन के नमूने के आकार द्वारा निर्धारित)।
लेकिन वास्तव में, एक को पूरी तरह से वज़न और भिन्नता के मुद्दे को कम करना चाहिए। वे वास्तव में दो अलग-अलग टुकड़े हैं जिनके बारे में सोचना है। लेकिन यह सिर्फ इतना नहीं है कि चीजें आमतौर पर साहित्य में कैसे प्रस्तुत की जाती हैं।
हालाँकि, यहाँ मुद्दा यह है कि आपको वास्तव में दोनों के बारे में सोचने की आवश्यकता है। हां, आप अपने संयुक्त अनुमान के अनुसार एक औसत भार ले सकते हैं और वह, संक्षेप में, एक मेटा-विश्लेषण होगा, लेकिन एक बार जब आप उस संयुक्त अनुमान के आधार पर इनफॉरमेशन शुरू करना चाहते हैं (उदाहरण के लिए, एक परिकल्पना परीक्षण करें, एक विश्वास अंतराल का निर्माण करें ), आपको नमूनाकरण संस्करण (और विषमता की मात्रा) जानने की आवश्यकता है। इसके बारे में इस तरह से सोचें: यदि आप छोटे (और / या बहुत विषम) अध्ययनों के एक समूह को जोड़ते हैं, तो आपका बिंदु अनुमान पूरी तरह से बहुत कम सटीक होने वाला है यदि आप बहुत बड़ी (और / या सजातीय) की समान संख्या को जोड़ते हैं। अध्ययन - संयुक्त मूल्य की गणना करते समय आपने अपने अनुमानों का भार कैसे उठाया, इसकी परवाह किए बिना।
दरअसल, जब हम हीन आँकड़ों को करना शुरू करते हैं, तो नमूने के प्रकारों (और विषमता की मात्रा) को न जानने के आस-पास भी कुछ तरीके होते हैं। एक resampling के आधार पर तरीकों पर विचार कर सकता है (जैसे, बूटस्ट्रैपिंग, क्रमचय परीक्षण) या ऐसे तरीके जो संयुक्त अनुमान के लिए लगातार मानक त्रुटियों का उत्पादन करते हैं , भले ही हम मॉडल के कुछ हिस्सों को गलत करते हैं - लेकिन ये दृष्टिकोण कितनी अच्छी तरह से काम कर सकते हैं मामला दर मामला के आधार पर।