除了关联外，一些涵化研究运用ANOVA来检验跨越不同见解、不同媒介和各类重度收视者的因变量上的平均差别。将这些数据种类转换到一个相对应的r系数的公式确实存在，但遗憾的是这些已出版的研究很少包含从事上述工作所必需的信息（例如变化情况）。因此，基于跨越收视人群的平均差异的结果未被纳入。
涵化研究经常用gamma——在总数为5633的整个结果中大约30％是gammas。
这些与皮尔森关联在概念上是大致可以比较的，尽管它们基于普通数据；这样做也是由于一个关于gamma在某些计算方面的长处的讨论，参见尼尔森（Nelson）（1986）。
广泛的研究和查阅没有提供有关如何将一个gamma转换成一个r的任何指南，于是我们通过一个修改了的MonteCarlo模型来开发我们自己的公式。我们将电视收视的rs和gammas二者与随机选择的100个变量一起计算，这些变量选自1994年NORC总体社会调查。Gamma和r呈高度相关（r=.946）。我们计算了一个关于线性、非线性以及多元回归方程式的变异，在每一个案例中都呈现这个gamma，并且gamma单独地解释r中的90％以上的变化；对被解释的变化而言，没有其他的增加超过.0014％的转换或变量。于是，我们运用这个已得的回归方程式（r=.6024gamma—0032）去获取一个从gamma到r的近似却也令人满意的转换。
研究手段
在大多数元分析中，数据的收集手段不是最重要的，原因是从每项研究中收集的无关联的信息的比特只有极少数。然而，在我们的研究中，我们有一个企图，即希望收集到分类的信息。我们的手段因此变得相当广泛。和5633个研究结果中的的每一个相关的大多数信息我们都作了编码（虽然在这里我们主要聚焦于独立的、累积的数据）。
对于每一个研究，我们记录相关的识别性信息（作者、出版年代以及发表刊物），并且记下采集数据的日期（一些研究报告数据的收集历经多年）。然后，我们对每项研究中测量电视收视的情形予以编码。我们对资料收集方式也进行编码（通常是电话访问、调查表，或者个体访谈）。编码也可以是结论所要求的因变量、自变量以及受访人群（如果有的话）。
我们记录每一个研究结果的随机度和（或）样本量。数据报告中的自相矛盾迫使我们去评估这些情况。只要能作出合理的评估（从该研究的其他信息中），我们都尽可能去做了。在一些案例中，没有足够的信息去做这些评估。我们也记录了每一项研究结果的意义（虽然Hunter和Schmidt不认为意义是十分重要的，1990），对意义的评估级别通常只是用结论表格中的星标来注明。
同样的，我们将样本来源的国家及样本的一般特性进行编码。例如，这使我们能够区别容易采集的大学生的样本和成人的国家概率样本，并且标明从资料中显现出的样本的理解程度和年龄段。
在积累数据期间，当我们从每一个纳入的研究中选取结果并且进一步浓缩数据库时，我们不断地互文以使数据登录的质量更为可信。因为解释涵化结果要求较高的类型化特性，所以对自主性过强的编码员不予采用。虽然在这一层面出现编码偏见的可能性很小，我们依然认为这样做有助于使人相信更为精确的数据设置。说明这一点是重要的，这与其说是数据编码操作，还不如说是一个改写、改编的过程。不仅如此，就像亨特（Hunter）和施密特（Schmidt）（1990）提醒我们的那样，“众所周知，元分析不制造误差”（第262页）。
结果
涵化结果的元分析
就像我们曾经提到的，涵化研究在数据的独立性表述方面存在困难。虽然我们的整个数据设置包括了5633篇有关涵化的信息，我们的元分析仍然较多地运用简化和平均的数据设置，目的是符合标准的元分析程序（通常依照Hunter和Schmidt，1990；以及Mullen，1989）。我们第一步分析选择的所有结果是：（a）“总体”结果（涉及一个整体的数据设置）；（b）与暴力、性别角色、政治倾向相关的3个从属领域之一；（c）类似Pearsonrs（或者像gamma转换到rs）的测量。由此产生出52个独立样本（来自稍小一点的实际“研究”的数字，其中有些运用了多重样本），可以用来做我们的总的元分析。
来自每一个样本的所有的系数，在转换到公制之后，被衡量并且平均以便生出一个单个的适合那个样本的r。于是这些平均系数被权衡、平均到每一个样本（有些来自单个的一组样本的研究发现有着不同的样本量），并且再一次被平均以便产生出对于平均效果的评估。
我们的分析显示，各项涵化研究的平均总体效果大小是r=.091，k=52。这证实了大多数研究者的假设：涵化效果倾向于微乎其微。表1.2显示了这一点及我们所有的元分析结果。
亨特和施密特（1990）认为，如果75％以上的平均效果的可见变化跨越了可被归咎于样本误差的研究，或者说如果平均效果大小至少是在零以上的两个标准偏差，那么无论何种类型的单个研究能够建议什么，“真实”效果就可以被假设“总是肯定的”。
就我们的数据来看，依照他们的公式，可望只从样本误差（.000926）得出的变动是实际观察到的变动（.002321）的将近40％。这样一来，一桩讨论涵化中的变化和可重复性的好事便化为幻影——被报告的跨越了不同研究者、不同地区、不同方法的涵化差异中，大约有40％可以被去除掉，因为他们仅仅反映了样本的误差。这是一个“露骨的”元分析结果。假如效果测量可以被因为测量的不可信以及范围受限而修正的话（例如，一些比其他样本的视野分布较为狭隘的样本），那么这个数字还会高于40％。遗憾的是，在公开出版的文章中，几乎从来没有提供过作出这些判断所要求的信息。因此，我们可以说40％是一个保守的估计：涵化数据中被报告的变异里，至少40％是由于样本误差引起的。
由此我们仍然不能推断涵化结果是“永远确定”的。总体的平均效果值（.091）非常接近但不完全是标准偏差的两倍（SD=.048；加倍后等于.096）。我们也不具备一个“同质的”研究结果的数据设置，就像穆伦（Mullen）建议的chi-square方法所显示的那样（1989；x2=127.5，df=51，p<；.001）。调节变量似乎在整个涵化中起作用，才引出了如此庞杂异类的结果。我们其余的分析都致力于从理论上探索意味深长的调节架构。
我们对具有理论意义的、在跨越各研究的涵化结果中获得的可能产生任何差异的变量的分散数据子集进行元分析，并在此基础上实施了调节因素分析。假如有一个变量调节着我们的整个结果，我们就会在受测试人群中发现效果大小的不同，并且每一个数据实体内部效果值的变化（减去样本误差的变化）应该是比较小的。我们可以再次运用亨特和施密特的公式来测算效果值的变化。如果变化大多是由每项研究中的人群样本误差引起的，那么我们可能会发现一个重要的调节变量。在这样的案例中，可观察到的效果也将是不同的。因此，假如每个数据小组在比较中显示了效果值的低度的遗留变化（75％以上可以通过样本误差来解释），那么我们就可以推断，这个变量很像是一个真实的调节因素。在表1.2中，我们给每一个被分析的变量提出这些评估。我们也给每项分析提出一个双精度型的标准偏差，用以显示是否一个效果可以被认为“总是确定的”。
我们检验了变量的多样性，但没有一个被证明是调节因素。首先，我们检验因变量是否解释结果中可见的同质性。为做这一分析，我们根据其是否涉及暴力、性别角色或者政治（应当注明我们关于性别角色的研究样本不同于Herrett-Skjellum和Allen1996年的样本，因为它们的元分析不是针对涵化研究的评估），来分别对这些研究的群体进行元分析。涉及一个以上从属领域的已出版论文被看做独立的数据设置来处理，目的是跨越变量来比较效果。由于一些研究确实涉及了多项从属领域，因此在这一比较中的数据值超过了52个（再次参见表1.2中关于结果的概括）。
我们发现在作为因变量的政治信仰上平均效果值为.077（有27项研究涉及该议题，K=27）。在这里，大约45％的关联上的量值变化可以用样本误差解释（x2=58.60，df=26，p<；.001）。此外，虽然注明一个偏低的平均系数很有意思，但这个研究的主体中确实存在重要的变化。
对14个性别角色研究进行元分析，我们发现平均效果值为.102（基本上与Herrett-Skjellum和Allen的.101的结果相同）。在这个群体中，48％的效果上的已知变化可归结为样本误差（x2=28.19，df=13，p=.008）。赫雷特-斯克杰鲁和艾伦在他们的性别角色研究样本中也发现了重要的异质，但没有一个清楚的主导调节因素。
最后，在关于暴力的议题中，我们发现平均效果值为.103（K=32）。由于40％的变化通过样本误差来解释，我们又可推断出这些研究展示了异质（x2=77.1，df=31，p<；.001）。如此看来，虽然在效果值上有一些区别（政治因素的关联似乎比暴力和性别角色的关联要稍弱一些），但因变量的焦点显然不是涵化的一个调节因素。
我们也认为统计学意义上的群体对涵化分析如此重要，可能会作为调节变量起作用。首先，我们在一个有关男性和女性的研究结果中实施分析。该分析（K=26）显示出很小的差异。男性和女性二者均显示出一个平均的效果值.11。男性中可见的效果产生的异质，有大约54％的变化由样本误差来解释（x2=46.32，df=25，p<；.01）。
然而，关于女性的结果则相当多地一致跨越了各项研究，已知变化中的91％由样本误差引起（x2=27.73，df=25，p<；.33）。女性的涵化迹象是如此较男性更为一致地跨越了各研究，虽然在平均值上二者是大体相同的。这样，性别本身不是一个调节因素（因为这种变化在男性中产生了异质），虽然我们可以说，未来没有必要在女性群体中寻找涵化的调节因素。
我们也考察教育水平（或者家长所受教育，以及孩子和成年人的受教育水平），看其是否作为调节因素发挥作用。受教育程度低的群体显示了稍低的平均效果值（r=.081，K=22），伴随着一个效果异质的好的分布（40％，x2=54.28，df=21，p<；。001）受教育程度高的群体显示了一个或多或少的较高效果（r=.089），但由于效果中的大部分变化源于样本误差（96％，x2=[guanyicon1]22.22，df=21，p=.38），因此，虽然教育因素不调节整体的关联，但受教育程度高的群体的涵化效果更加一致地跨越了各研究。
我们接着将年龄群体作为潜在调节因素予以检验。涵化研究一直被放在跨越不同年龄的群体中实施，从而促成一套相当广泛的比较体系。幼儿显示了一个相对较小的效果值（r=.064，K=8），并且从效果情况看，这些研究是同质的（在效果值的变化中有78％归于样本误差）。成年人也显示了一个较小的效果值（r=.080，K=9），在样本误差被除去之后就没有跨越各研究而遗留的异质了。青少年显示了一个较高的效果值（r=.121，K=13），但在这一群体中存在效果上的异质（效果值中37％的变化源于样本误差）。中年人群显示了一个大于平均效果的量值（r=.107，K=13），效果变化上没有什么异质（比样本误差所预计的变化要小）。在老年群体中效果值下降（r=.083，K=13），伴随着效果变化上较少的异质（效果量值中58％的变化源自样本误差；表1.2显示所有年龄群体的统计资料）。如此看来，尽管未来研究可以探索一些有意思的模式，我们还是可以推断出，年龄不调节涵化关联。
因为人口统计学群体不解释所有的涵化变化，我们也将各项研究的特性作为潜在的调节变量加以检验。在这一逻辑下，不同研究的方法上的变化程度可能会导致不同的结果。
