Metaanaliza: jak rzetelnie połączyć wyniki wielu badań

Autor: Konrad Hryniewicz · Opublikowano: 3 marca 2016 · Aktualizacja: 22 sierpnia 2026

Metaanaliza to statystyczna synteza wyników porównywalnych badań. Najczęściej stanowi część przeglądu systematycznego, w którym pytanie, kryteria włączenia, wyszukiwanie i ocena ryzyka błędu są zaplanowane przed połączeniem wyników.

Nie zaczynaj od programu statystycznego

Pierwszym krokiem jest precyzyjne pytanie i protokół. Trzeba ustalić populację, ekspozycję lub interwencję, porównanie, wynik i typy badań. Następnie tworzy się strategię wyszukiwania, usuwa duplikaty, prowadzi niezależną selekcję i dokumentuje powody wykluczeń.

Od badań do wspólnej miary

Wyniki należy przeliczyć na porównywalne miary, np. różnicę średnich, standaryzowaną różnicę średnich, iloraz ryzyka, iloraz szans albo współczynnik korelacji. Kierunek efektu i sposób kodowania muszą być spójne. Jedno badanie może dostarczać kilka zależnych efektów; traktowanie ich jak niezależnych obserwacji zaniża niepewność.

Model wspólny czy losowy?

Model efektu wspólnego zakłada jeden wspólny efekt dla wszystkich badań. Model efektów losowych dopuszcza rozkład prawdziwych efektów między badaniami. Wybór powinien wynikać z pytania i różnorodności projektów, a nie tylko z wyniku testu heterogeniczności. W modelu losowym warto raportować τ² i przedział predykcji, który pokazuje, jakich efektów można oczekiwać w nowym podobnym badaniu.

Ryzyko błędu i odporność wniosku

ocena jakości metodologicznej powinna być dopasowana do typu badań;
analizy wrażliwości sprawdzają wpływ decyzji i badań o wysokim ryzyku błędu;
analiza podgrup i metaregresja wymagają wystarczającej liczby badań i ostrożnej interpretacji;
wykres lejkowy nie jest samodzielnym testem „braku biasu publikacyjnego”;
duplikowane populacje i selektywne raportowanie wyników trzeba wykrywać przed syntezą.

PRISMA a jakość metaanalizy

PRISMA 2020 jest wytyczną raportowania: pomaga przedstawić, co zrobiono i co znaleziono. Samo wypełnienie checklisty nie gwarantuje poprawności metod. Jakość zależy od protokołu, wyszukiwania, ekstrakcji, oceny błędu i właściwego modelu statystycznego.

Przygotowujesz przegląd systematyczny lub umbrella review? Wspieramy budowę protokołu, ekstrakcję efektów, metaanalizę, metaregresję, ocenę heterogeniczności i raport zgodny z PRISMA.

Minimalna karta ekstrakcji efektu

Zestawienie informacji omawianych w tej sekcji
Pole	Przykład	Kontrola
ID badania / próby	Kowalski_2024_A	Czy publikacje nie opisują tej samej próby?
Porównanie i punkt czasu	Interwencja vs kontrola, 12 tyg.	Czy kierunek efektu jest spójny?
Miara i wariancja	Hedges g, SE	Czy można odtworzyć obliczenie?
Ryzyko błędu	Domena: wysoki/niski	Czy oceniało dwóch badaczy?

Wzór opisu syntezy

Efekty połączono modelem efektów losowych z estymacją τ² metodą [...]. Raportowano efekt łączny z 95% CI, τ², I² oraz 95% przedział predykcji. Zależne efekty uwzględniono za pomocą [modelu wielopoziomowego/RVE].

Najdroższy błąd

Nie wyciągaj kilku efektów z tej samej próby i nie traktuj ich jako niezależnych badań. Zaniża to błędy standardowe i sztucznie zwiększa pewność wniosku.

Pojęcia potrzebne do tego zagadnienia

Definicje poniżej rozwijają najważniejsze terminy, pokazują wzory, przykłady i gotowe raportowanie w APA 7.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Page et al., 2021).

Przykład reprodukowalny

Kod w R, Pythonie i IBM SPSS Statistics

Dane wejściowe muszą zawierać porównywalne estymaty efektu i ich wariancje. Przed syntezą sprawdź kierunek kodowania, zależności między efektami z jednego badania oraz zgodność przyjętego estymandu.

Metaanaliza efektów losowych i heterogeniczność

Dane wejściowe: Kolumny yi i sei zawierają efekt każdego niezależnego badania i jego błąd standardowy.

Co odczytać: Raportuj efekt łączny, 95% CI, τ², I² i przedział predykcji. Zależne efekty wymagają modelu wielopoziomowego lub RVE.

library(metafor)
dane <- read.csv("efekty.csv")  # yi, sei, badanie

model <- rma(yi = yi, sei = sei, data = dane,
             method = "REML", test = "knha")
summary(model)
predict(model, digits = 3)  # obejmuje przedział predykcji
forest(model, slab = dane$badanie)
funnel(model)

# Egger jako analiza pomocnicza, nie dowód braku/obecności biasu.
regtest(model, model = "rma")

Python

import pandas as pd
from statsmodels.stats.meta_analysis import combine_effects

df = pd.read_csv("efekty.csv")  # yi, sei, badanie
res = combine_effects(
    effect=df["yi"].to_numpy(),
    variance=(df["sei"] ** 2).to_numpy(),
    method_re="iterated", use_t=True
)
print(res.summary_frame())

# Sprawdź dokumentację wersji statsmodels: definicje tau2 i korekty
# mogą różnić się od ustawień innych pakietów.

IBM SPSS Statistics — Syntax

* META ES CONTINUOUS jest dostępne od SPSS Statistics 28.
META ES CONTINUOUS
 /DATA ES=yi SE=sei STUDY=badanie
 /CRITERIA CILEVEL=95 SCOPE=AVAILABLE
 /INFERENCE MODEL=RANDOM ESTIMATE=REML ADJUSTSE=KNAPP_HARTUNG
 /PRINT HOMOGENEITY HETEROGENEITY INDIVIDUAL PREDICTION
 /FORESTPLOT DISPLAY=[ES SE CI WEIGHT PVAL]
 /FUNNELPLOT YAXIS=SE
 /BIAS INTERCEPT=INCLUDE DISTRIBUTION=T.

* W SPSS 27 i starszym użyj R/metafor lub Python/statsmodels.

Bibliografia oprogramowania i wykorzystanych pakietów

W przykładach użyto: R, Python, IBM SPSS Statistics, metafor, pandas, NumPy, statsmodels. W pracy badawczej podaj również faktycznie użyte wersje, które można odczytać poleceniami sessionInfo() w R oraz pip freeze lub importlib.metadata.version() w Pythonie. Cytuj wyłącznie narzędzia rzeczywiście użyte w końcowej analizie.

R: R Core Team. (2026). R: A language and environment for statistical computing [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
Python: Van Rossum, G., & Drake, F. L., Jr. (2009). Python 3 reference manual. CreateSpace.
IBM SPSS Statistics: IBM Corp. (2025). IBM SPSS Statistics for Macintosh (Version 31.0) [Computer software]. IBM Corp.
metafor: Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
pandas: McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56–61). https://doi.org/10.25080/Majora-92bf1922-00a
NumPy: Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
statsmodels: Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 92–96). https://doi.org/10.25080/Majora-92bf1922-011

BibTeX dla oprogramowania i pakietów

@manual{r-core-2026,
  author = {{R Core Team}},
  title = {R: A Language and Environment for Statistical Computing},
  organization = {R Foundation for Statistical Computing},
  address = {Vienna, Austria},
  year = {2026},
  url = {https://www.R-project.org/}
}

@book{vanrossum2009python,
  author = {Van Rossum, Guido and Drake, Fred L., Jr.},
  title = {Python 3 Reference Manual},
  publisher = {CreateSpace},
  year = {2009},
  isbn = {978-1-4414-1269-0}
}

@software{ibm2025spss,
  author = {{IBM Corp.}},
  title = {IBM SPSS Statistics for Macintosh},
  year = {2025},
  version = {31.0},
  publisher = {IBM Corp.}
}

@article{viechtbauer2010metafor,
  author = {Viechtbauer, Wolfgang},
  title = {Conducting Meta-Analyses in R with the metafor Package},
  journal = {Journal of Statistical Software},
  year = {2010},
  volume = {36},
  number = {3},
  pages = {1--48},
  doi = {10.18637/jss.v036.i03}
}

@inproceedings{mckinney2010pandas,
  author = {McKinney, Wes},
  title = {Data Structures for Statistical Computing in Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  editor = {van der Walt, Stéfan and Millman, Jarrod},
  year = {2010},
  pages = {56--61},
  doi = {10.25080/Majora-92bf1922-00a}
}

@article{harris2020numpy,
  author = {Harris, Charles R. and Millman, K. Jarrod and van der Walt, Stéfan J. and Gommers, Ralf and Virtanen, Pauli and others},
  title = {Array Programming with NumPy},
  journal = {Nature},
  year = {2020},
  volume = {585},
  pages = {357--362},
  doi = {10.1038/s41586-020-2649-2}
}

@inproceedings{seabold2010statsmodels,
  author = {Seabold, Skipper and Perktold, Josef},
  title = {Statsmodels: Econometric and Statistical Modeling with Python},
  booktitle = {Proceedings of the 9th Python in Science Conference},
  year = {2010},
  pages = {92--96},
  doi = {10.25080/Majora-92bf1922-011}
}

Planujesz artykuł lub projekt naukowy?

Możemy przygotować plan analityczny, reprodukowalny kod, modele, raport publication-ready i odpowiedź na uwagi recenzentów.

Analizy statystyczne dla badaczy Omów projekt

Bibliografia i dalsza literatura naukowa (APA 7)

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
DerSimonian, R., & Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7(3), 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
Borenstein, M., Hedges, L. V., Higgins, J. P. T., & Rothstein, H. R. (2010). A basic introduction to fixed-effect and random-effects models for meta-analysis. Research Synthesis Methods, 1(2), 97–111. https://doi.org/10.1002/jrsm.12
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006

Cytowania BibTeX

@article{page2021prisma, author={Page, Matthew J. and McKenzie, Joanne E. and Bossuyt, Patrick M. and Boutron, Isabelle and Hoffmann, Tammy C. and Mulrow, Cynthia D. and Shamseer, Larissa and Tetzlaff, Jennifer M. and Akl, Elie A. and Brennan, Sue E. and Chou, Roger and Glanville, Julie and Grimshaw, Jeremy M. and Hróbjartsson, Asbjørn and Lalu, Manoj M. and Li, Tianjing and Loder, Elizabeth W. and Mayo-Wilson, Evan and McDonald, Steve and Stewart, Lesley A. and Thomas, James and Tricco, Andrea C. and Welch, Vivian A. and Whiting, Penny and Moher, David}, title={The PRISMA 2020 statement: an updated guideline for reporting systematic reviews}, journal={BMJ}, year={2021}, volume={372}, pages={n71}, doi={10.1136/bmj.n71}}

@article{dersimonian1986meta, author={DerSimonian, Rebecca and Laird, Nan}, title={Meta-analysis in clinical trials}, journal={Controlled Clinical Trials}, year={1986}, volume={7}, number={3}, pages={177--188}, doi={10.1016/0197-2456(86)90046-2}}

@article{borenstein2010models, author={Borenstein, Michael and Hedges, Larry V. and Higgins, Julian P. T. and Rothstein, Hannah R.}, title={A basic introduction to fixed-effect and random-effects models for meta-analysis}, journal={Research Synthesis Methods}, year={2010}, volume={1}, number={2}, pages={97--111}, doi={10.1002/jrsm.12}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}

@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}