4.3.3 元分析过程
本章采用Comprehensive Meta Analysis 3.0（CMA 3.0）进行元分析。借鉴Hunter和Schmidt[128]的方法，本章首先对初始的相关系数进行修正，即通过相关系数除以两个相关构念的量表信度乘积的平方根，得到修正的相关系数，并用其样本量对修正系数加权计算，得到基于样本权重的相关系数加权均值。由于每篇文献的局限性，不可能完全提供构想的信度。本章引入平均信度值来解决数据缺失问题，该值是所有包含这一构想的其他研究的信度平均值[129]。
另外，本章最终用来进行元分析的30篇文献中的被试各异，来自不同国家或地区的包括普通公众、医生、护士、老年人等移动医疗潜在或实际用户，因此，所有研究样本和情境均等同的假定很难成立，因而本章遵循Borenstein et al.[130]的建议，元分析过程中全部采用随机效应模型（random effect model）。
进行元分析之前，本章采用漏斗图、Egger检验以及Rosenthal's Failsafe N对发表偏差问题进行检验。从图4-2发表偏差检验的漏斗图来看，相关研究的效应值多集中在顶部，呈较为均匀的对称分布，且多数效应值集中在平均值附近，说明本章的发表偏差并不存在。
图4-2 发表偏差检验|——漏斗图
注：漏斗图的横坐标为Fisher's N（竖线为平均值），纵坐标为标准误（standard error）
由于漏斗图只能从主观的角度初步检查发表偏差，为了更准确地检验发表偏差，本章进一步进行了Egger检验以及Rosenthal's Failsafe N检验。表4-1检验结果显示，除了SN-AI和PBC-AI两组相关变量，其他相关变量的Egger检验均不显著，说明关于这些相关变量的发表偏差不存在。进一步地，SN-AI和PBC-AI两组相关变量的Failsafe N检验结果表示需要分别再纳入大量（大于7654和9955）涉及两个变量的研究文献才可能使两个总效应量不显著，这也说明涉及两个相关变量的研究并不存在严重的发表偏差。
表4-1 本章涉及相关变量的发表偏差检验
续表
