Studien zusammenfassen (Meta-Analyse)

Kurz

Eine Meta-Analyse fasst die Ergebnisse mehrerer Studien zu einem Gesamtergebnis zusammen. Die Daten sind hier Studien, nicht Personen: eine Zeile je Studie. Statable rechnet mit R (metafor) ein Random-Effects-Modell mit REML, Test und Intervalle mit der Anpassung nach Knapp und Hartung (empfohlen bei wenigen Studien). R wird beim ersten Mal einmalig geladen.

Zu wählen ist, welche Angaben aus den Studien vorliegen: Effekt mit Standardfehler oder Intervall, zwei Gruppen (Mittelwert, SD, n) oder Korrelation r mit n.
Die Studien werden eingetragen oder aus einer Tabellenkalkulation eingefügt. Stehen die Studien schon in den Daten, werden die Spalten zugeordnet.
Rechnen. Das Beispiel „BCG-Impfung“ zeigt den Ablauf.

Mit „Moderator hinzufügen“ (bis zu drei Zahlen je Studie, etwa Jahr oder Dauer) rechnet Statable auch eine Meta-Regression. Faustregel: mindestens 10 Studien je Moderator. Moderatoren zeigen einen Zusammenhang, keine Ursache.

Ergebnis lesen

Gepoolter Effekt mit 95-%-Intervall und t-Test (nach Knapp und Hartung): der gewichtete Durchschnitt; genaue Studien zählen mehr.
Heterogenität: Q, I² und τ² mit Intervall. Hoch heißt: Die Studien unterscheiden sich echt.
Prädiktionsintervall (im Hauptsatz): wo der wahre Effekt einer neuen, vergleichbaren Studie liegen dürfte; breiter als das Konfidenzintervall, weil es die Streuung zwischen den Studien einbezieht.
Forest-Plot: Quadrate nach Gewicht, Raute für den gepoolten Effekt. Funnel-Plot mit Egger-Test: Hinweis, ob kleine Studien andere Effekte zeigen als große. Das kann an unveröffentlichten Studien liegen, aber auch an echten Unterschieden zwischen den Studien oder am Zufall.

Voraussetzungen und Grenzen

Die Studien messen dasselbe Maß, und keine Stichprobe steckt in zwei Studien.
Unter 5 Studien ist die Streuung zwischen den Studien (τ²) sehr unsicher; unter 10 sagt der Egger-Test wenig (Sterne und Kollegen, 2011).
Verhältnismaße (Odds Ratio, Risikoverhältnis) werden als Logarithmen eingetragen; Statable zeigt sie zurückgerechnet.
Eine Meta-Analyse verbessert schwache Studien nicht und belegt keine Ursachen.

Meta-Analyse (Random-Effects-Modell, REML): r = ,15, 95 %-KI [,08; ,22], t(15) = 4,57, p < ,001; Q(15) = 38,16, p < ,001; I² = 62 %; τ² = 0,008 (k = 16)

Typische Beispiele

Zehn Studien zu einem Lesetraining mit je einer Effektstärke und einem Standardfehler: zusammengefasster Effekt, Forest-Plot und I².
Studien mit Odds Ratios: zusammengefasstes Odds Ratio.

Für Fachleute

metafor::rma mit REML und Knapp-Hartung (test "knha") als Standard: Bei 4 bis 10 Studien sind z-Intervalle zu schmal (IntHout, Ioannidis und Borm, 2014; Cochrane Handbook 6.4). Ohne die Anpassung (Haken unter „Für Fachleute“) rechnet Statable wie JASP mit z. τ², τ und I² mit Intervall über confint. Prädiktionsintervall mit predict; die Variante nach IntHout et al. (2016) mit t(k − 2) steht unter „Für Fachleute“. Hedges g über escalc „SMD“, Korrelationen über Fisher z. Egger: regtest mit model "lm".