元分析中主效应的 N 接近于所有研究中的人数。那是很多人，因此有很大的权力。

对于元回归，N 更接近于研究数量，这是一个小得多的数字。你实际获得的权力是异质性程度的函数。这相当于查看具有非常高 ICC 的多级模型（或集群试验）。

这是一篇我们讨论一些问题的论文： 偏倚风险：在荟萃分析中检测研究级调节效应的权力模拟研究。这些图表显示了不同调节效应、研究数量、样本量和异质性的功率量。tau^2 的值很高，你需要大量的大型研究和很大的调节效应，才能拥有不错的力量。

这对于元分析师来说是一种教条，但那里并没​​有太多。

我研究过 Google、Google Scholar 和 PubMed，寻找力量、元回归、元回归。

这些是我发现的可能有用的项目：

汤普森和希金斯，2002 年医学统计

希金斯和汤普森，2004 年医学统计

Borenstein 等人，2009 年元分析简介

惠廷顿，国家主义者 2009

劳林，圣母大学 2014

Lopez-Lopez 等人，英国数学与统计心理学杂志 2014

Borenstein et al, Introduction to Meta-Analysis 2009 的这段话与您的问题相关，尽管有些笼统：

功效取决于效果的大小和我们测量效果的精度……对于元回归，这意味着功效将随着协变量和效果大小之间关系的幅度增加和/或精度的增加而增加估计增加......推动估计精度的一个关键因素将是所有研究中个体受试者的总数和（对于随机效应）研究总数。虽然普遍认为在荟萃分析中检验主效应的功效始终很高，但这种看法是不正确的……而且肯定不会延伸到亚组差异检验或元回归检验。在比较亚组或元回归时未能找到具有统计学意义的 p 值可能意味着影响（如果有）非常小，但也可能意味着分析即使检测到很大的影响也没有能力。永远不应使用不显着的发现来得出结论，即子组中的真实均值相同，或者协变量与效应大小无关。

我个人的看法是，许多因素都在起作用，因此计算能力/最小样本量并不是那么简单。但是，我们可以简单地将元回归视为一种加权回归或混合模型，因此与它们相关的功率考虑应该是有效的。

人们通常在开始工作之前进行功效计算以确定样本量，但在荟萃分析中，样本量很少是您可以选择的。事件发生后，所有关于精度的信息都包含在系数的置信区间中，因此功率现在无关紧要。