Metaanaliza

Z Wikipedii, wolnej encyklopedii
Skocz do: nawigacja, szukaj
Wizualizacja wyników pojedynczych badań typu forest plot w przeglądzie publikacji na temat schizofrenii.
Wizualizacja wyników pojedynczych badań typu forest plot w przeglądzie publikacji na temat schizofrenii.

Metaanaliza, meta-analiza – pojęcie z zakresu analizy danych i wnioskowania statystycznego, określające wtórne odkrywanie wiedzy metodą uogólniania informacji zawartych w publikacjach czy źródłach pierwotnych[1].

Najczęściej metaanaliza przybiera postać przeglądu systematycznego literatury z jakiegoś obszaru, wzbogaconego o analizę (najczęściej statystyczną) uzyskanych wcześniej wyników, wnioskowanie i podsumowanie. Uważa się, że metaanaliza jest samodzielnym i pełnoprawnym rodzajem badania naukowego (z ang. integrative research lub literature-based discovery). Narzędzie to pozwala określić, jakie wnioski płyną z całości publikacji z danego tematu, dając dokładniejszą i szerszą wiedzę niż analizowanie pojedynczych badań. Pojęcie spopularyzował w 1978 r. Robert Rosenthal, choć proste metody tego typu opisywano już wcześniej, jak np. test łączonego prawdopodobieństwa Ronalda Fishera[2][3].

Metaanaliza uprawnia do wyciągania pewniejszych wniosków ze zbioru badań, zwłaszcza oszacowań wielkości efektu, niż bardziej nieformalne metody, takie jak najprostsze zliczanie wyników badań „za” i „przeciwko” hipotezie[4].

Typowa procedura[edytuj]

Funnel plot z meta-analizy badań nad zjawiskiem zagrożenia stereotypem u nastolatek, sugerujący obecność w literaturze tendencyjności publikacji, ze względu na obecność grupy wyników wykraczających poza oczekiwaną symetrię
Funnel plot z meta-analizy badań nad zjawiskiem zagrożenia stereotypem u nastolatek, sugerujący obecność w literaturze tendencyjności publikacji, ze względu na obecność grupy wyników wykraczających poza oczekiwaną symetrię

Procedura metaanalityczna ma najczęściej podobną postać:

  1. Zadeklarowanie a priori tematu przeglądu, kryteriów wyboru publikacji i procedury analitycznej
  2. Zebranie wszystkich prac spełniających kryteria i sporządzenie wyciągu z ich analiz statystycznych
  3. Zbadanie homogeniczności wyników badań
  4. Zestawienie i wizualizacja wyników (np. forest plot)
  5. Jeśli potrzeba, redukcja heterogeniczności badań
  6. Obliczenie ogólnego współczynnika wielkości efektu z wyników badań
  7. Analiza wariancji wielkości efektu w zależności od charakterystyki badań[5]

Inne często spotykane elementy to narzędzia kontroli jakości metodologicznej i tendencyjności publikacji, takie jak funnel plot[6] i P-curve[7][8]. W oparciu o ich wyniki można, jeśli jest taka potrzeba, przedstawić ogólną wielkość efektu z poprawką na błędy metodologiczne.

Narzędzia[edytuj]

Do wykonywania metaanaliz można używać np. pakietu meta w języku programowania statystycznego R.

Zobacz też[edytuj]

Przypisy

  1. Editors: Julian PT Higgins and Sally Green: Cochrane Handbook for Systematic Reviews of Interventions (ang.). Version 5.1.0 [updated March 2011]. [dostęp 2014-02-19].
  2. Robert Rosenthal, Combining results of independent studies., „Psychological Bulletin”, 85 (1), , s. 185–193, DOI10.1037/0033-2909.85.1.185, ISSN 1939-1455 [dostęp 2017-01-16].
  3. Fisher i inni, Statistical methods for research workers., Oliver and Boyd, 1925, ISBN 0050021702.
  4. Michael Borenstein i inni, Introduction to Meta-Analysis, John Wiley & Sons, 24 sierpnia 2011, s. 270 i następne, ISBN 9781119964377 [dostęp 2017-01-16] (ang.).
  5. Paweł Kleka, Statystyczne kryteria przydatności raportu z badań do metaanalizy, Jerzy Marian Brzeziński (red.), [w:] Metodologia badań społecznych. Wybór tekstów, Poznań: Zysk i S-ka Wydawnictwo, 2011.
  6. Jonathan A.C Sterne, Matthias Egger, Funnel plots for detecting bias in meta-analysis, „Journal of Clinical Epidemiology”, 54 (10), s. 1046–1055, DOI10.1016/s0895-4356(01)00377-8.
  7. Uri Simonsohn, Leif D. Nelson, Joseph P. Simmons, P-Curve: A Key to the File Drawer, Rochester, NY: Social Science Research Network, 24 kwietnia 2013 [dostęp 2017-01-16].
  8. Uri Simonsohn, Joseph P. Simmons, Leif D. Nelson, Better P-Curves: Making P-Curve Analysis More Robust to Errors, Fraud, and Ambitious P-Hacking, A Reply to Ulrich and Miller, Rochester, NY: Social Science Research Network, 10 lipca 2015 [dostęp 2017-01-16].