анализ, его результаты могут выглядеть более надежными, чем это оправдано 
проведенными исслед., так как не все использованные в нем данные являются 
независимыми. Хотя и не существует правила, предписывающего в таких случаях 
выбор единственно правильного метода, то, каким эмпирическим способом решается 
эта проблема, может оказывать влияние на результаты М. Если множественные 
данные из одних и тех же исслед. включаются в анализ, число критериев 
значимости и величины эффектов будет больше числа независимых исслед. Несмотря 
на то, что такой способ повышает мощность М., он не только усложняет 
определение ошибки, связанной со статистическими результатами анализа, но, что 
гораздо серьезнее, может способствовать возникновению концептуальной 
неопределенности и путаницы. Бесспорно, полезно знать общую значимость и общее 
влияние заданной независимой переменной на весь спектр зависимых переменных, 
однако знание дифференциальной значимости и частного влияния независимой 
переменной на отдельные группы зависимых переменных может иметь более важное 
значение для понимания поведенческих феноменов. Тем не менее, споры по поводу 
относительных достоинств противоположных подходов к проблеме множественных 
зависимых переменных продолжаются до сих пор.
   Вычислительные процедуры для объединения данных научных исследований
    Прежде чем обрисовать в общих чертах вычислительные процедуры М., важно 
разграничить две области применения этого метода: а) объединение данных, 
полученных в разных исслед., б) сравнение таких данных. Каждая из этих областей 
требует использования различных метааналитических методов. Что касается 
рассмотрения процедур, посредством к-рых данные разных исслед. сравниваются в 
явном виде, независимо от того, проводится ли это сравнение в расплывчатой или 
сфокусированной форме, следует обратиться к Розенталю.
    В контексте объединения данных из разных исслед., посвященных изучению 
одного и того же конкретного вопроса, встречаются две основные стратегии: а) 
определение общего уровня значимости объединенных данных и б) определение 
величины отмеченных эффектов. Для каждой из этих стратегий было разработано 
множество конкретных процедур.
   Общая значимость данных
    При объединении результатов, полученных в независимых работах, оценивающих 
одинаково направленную конкретную гипотезу, в распоряжении исследователя 
имеется множество процедур, называемых сложными критериями. В этой статье мы 
ограничиваемся рассмотрением методов, разработанных Фишером, Вайнером и 
Стауффером с соавторами.
    Известный под названием метода суммирования логарифмов (adding logs method),
 сложный критерий Фишера является одной из наиболее популярных и часто 
используемых процедур проверки гипотез и задается следующим уравнением:
    ?2 = ? — 2 ln p.
    Эта процедура заключается в суммировании со знаком минус удвоенных 
натуральных логарифмов соответствующих значений р односторонних критериев, 
приведенных в анализируемых исслед. Получающаяся в результате стат., к-рая и 
положена в основу данного критерия, имеет ?2-распределение с числом степеней 
свободы (df), равным удвоенному числу исследований (N), включенных в анализ (т. 
е. df = 2N). Метод Фишера особенно эффективен, когда число анализируемых исслед.
 относительно невелико (не более 5). Хотя было доказано, что эта процедура 
яв-ся в большей степени асимптотически оптимальной, чем др. методы объединения, 
она обнаруживает довольно серьезный недостаток всякий раз, когда в двух исслед. 
приводятся одинаково значимые результаты противоположного характера. В этой 
ситуации метод Фишера дает допускающие двоякое толкование результаты, 
подтверждая значимость любого из исходов. Поэтому, когда проводится обзор всего 
нескольких исслед., рекомендуется не использовать эту процедуру механически. Но,
 вообще говоря, можно усомниться в пользе проведения М. в тех случаях, когда 
расходящиеся данные получены в таком ограниченном количестве исслед. Если число 
исслед. в к.-л. области мало, а полученные в них данные явно расходятся, то 
возникают вопросы не только в отношении уместности применения М. как метода 
обзора данных, но и в отношении того, указывают ли анализируемые публикации на 
сколько-нибудь жизнеспособную область исслед.
    Сложный критерий Вайнера, называемый методом «суммирования значений t», 
имеет вид:
    .
    Основанная на выборочном распределении независимых статистик t, эта 
процедура заключается в вычислении нормированного отклонения (standard normal 
deviate), равного сумме значений t-критерия, деленной на корень квадратный из 
дисперсии t-распределения. Эти значения t-критерия или берутся прямо из 
включаемых в обзор публикаций, или, если в них приведены только значения р, 
получаются путем преобразования указанных р в t. Дисперсия t-распределения 
имеет приближенно нормальное распределение, когда число степеней свободы (df) 
для каждого значения t больше или равно 10. Следовательно, в тех случаях, когда 
число степеней свободы для каждого значения t меньше 10, этот метод не будет 
давать достаточно хорошего приближения. Т. о., хотя метод Вайнера и обладает 
преимуществом в том смысле, что нечувствителен к числу обозреваемых исслед., 
его эффективное использование, в конечном счете, зависит от числа степеней 
свободы, связанного с каждым исслед.
    Наконец, метод Стауффера, известный как метод суммирования значений Z 
(adding Z's method), яв-ся, возможно, наиболее широко используемой процедурой 
объединения данных, к-рая иллюстрируется следующим уравнением:
    .
    Эта вычислительная процедура относительно проста. После преобразования