I² i τ² w metaanalizie – heterogeniczność wyników

Q: Jakie I² oznacza dużą heterogeniczność?

Higgins i in. (2003) wstępnie nazwali I² = 25%, 50% i 75% heterogenicznością niską, umiarkowaną i wysoką. To etykiety orientacyjne, bo I² nie mówi, jak szeroko rozrzucone są prawdziwe efekty.

Q: Czym różni się I² od τ²?

τ² to wariancja prawdziwych efektów w jednostkach efektu do kwadratu. I² to odsetek zmienności wyników, który wynika z tej wariancji. Przy dużych badaniach I² rośnie nawet przy małej τ².

Q: Czy I² = 0% oznacza, że badania są jednorodne?

Nie zawsze. Przy kilku małych badaniach test Q ma małą moc, a oszacowanie τ² jest bardzo niepewne, więc brak wykrytej heterogeniczności nie dowodzi jej braku.

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 27 października 2026 · Aktualizacja: 26 października 2026

W skrócie: τ² to wariancja prawdziwych efektów między badaniami, a I² to odsetek zmienności wyników, który wynika z tej wariancji, a nie z przypadku. I² zależy od precyzji badań, więc nie mówi, jak szeroko rozrzucone są efekty. Podawaj obie miary, a do tego τ i przedział predykcji.

Co to są I² i τ²?

I² i τ² to dwie miary heterogeniczności w metaanalizie, czyli tego, na ile różnią się wyniki łączonych badań. τ² (tau kwadrat, ang. between-study variance) to wariancja prawdziwych efektów między badaniami w modelu efektów losowych, a τ to ich odchylenie standardowe w jednostkach efektu. I² to odsetek całkowitej zmienności wyników, który wynika z heterogeniczności, a nie z przypadku (Higgins i in., 2003).

Jak się je liczy?

I² = 100% × (Q − df) / Q, df = k − 1

Q Cochrana to ważona suma kwadratów odchyleń wyników badań od efektu łącznego, a k to liczba badań. Gdy Q < df, I² przyjmuje się jako 0. τ² szacuje się osobno, np. metodą REML. Kluczowa różnica: τ² mówi, jak bardzo różnią się prawdziwe efekty, a I² – jaką część obserwowanej zmienności stanowi ta różnica. I² zależy więc od precyzji badań: w dużych badaniach nawet mała τ² daje wysokie I².

Przykład

Dwie symulowane metaanalizy mają po 12 badań. W metaanalizie A badania są duże (200 osób w grupie), w B małe (20 osób). A ma I² = 61.8%, ale τ = 0.13. B ma niższe I² = 54.4%, a mimo to τ = 0.35. Orientacyjny zakres prawdziwych efektów (efekt łączny ± 1.96τ) to w A od 0.14 do 0.64, a w B od −0.13 do 1.23. Niższe I² towarzyszy tu znacznie większemu rozrzutowi efektów.

Jak opisać w pracy

Heterogeniczność oceniono testem Q Cochrana oraz miarami I² i τ² (estymator REML). Wyniki badań były niejednorodne, Q(11) = 24.13, p = .012, I² = 54.4%, τ² = 0.12 (τ = 0.35). Zakres efektów, jakiego można oczekiwać w podobnych badaniach, opisano przedziałem predykcji.

Na co uważać

I² nie mierzy wielkości rozrzutu. Borenstein i in. (2017) pokazują, że przy I² = 50% efekty mogą wahać się w wąskim albo bardzo szerokim zakresie. Podawaj τ i przedział predykcji.
Progi 25%, 50% i 75% Higgins i in. (2003) zaproponowali jako wstępne etykiety, a nie sztywne kryteria.
Nieistotny test Q to nie dowód jednorodności. Przy niewielu badaniach Q ma małą moc.
To nie to samo co heterogeniczność wariancji w teście t czy ANOVA.

Rozrzut wyników widać też na wykresie lasu. Jak szukać jego źródeł, np. moderatorami, pokazuje wpis Metaanaliza krok po kroku.

Przykład reprodukowalny

I² i τ² w R

Kod symuluje dwie metaanalizy o różnej liczebności badań i różnym rozrzucie prawdziwych efektów, a potem podaje dla obu Q, I², τ² i orientacyjny zakres efektów.

Ta sama heterogeniczność w procentach, inny rozrzut efektów

Dane wejściowe: po 12 badań z efektem średnim g = 0.40; A: 200 osób w grupie i τ = 0.10, B: 20 osób w grupie i τ = 0.32 (dane symulowane, set.seed(5)).

Co odczytać: efekt łączny, Q z df i p, I² w procentach, τ², τ oraz granice efekt ± 1.96τ (kolumny od i do).

suppressPackageStartupMessages(library(metafor))
set.seed(5)
symuluj <- function(k, n, mu, tau) {                     # k badań, n osób w grupie
  vi <- rep(2 / n + mu^2 / (4 * n), k)
  data.frame(yi = rnorm(k, mu, tau) + rnorm(k, 0, sqrt(vi)), vi = vi)
}
A <- symuluj(k = 12, n = 200, mu = 0.40, tau = 0.10)     # duże badania, mała rozbieżność prawdziwych efektów
B <- symuluj(k = 12, n = 20,  mu = 0.40, tau = 0.32)     # małe badania, duża rozbieżność
opis <- function(d) {
  r <- rma(yi, vi, data = d, method = "REML")
  c(g = r$b[1], Q = r$QE, df = r$k - 1, p = r$QEp, I2 = r$I2, tau2 = r$tau2, tau = sqrt(r$tau2),
    od = r$b[1] - 1.96 * sqrt(r$tau2), do = r$b[1] + 1.96 * sqrt(r$tau2))
}
round(rbind(A = opis(A), B = opis(B)), 3)

Wynik w R

      g      Q df     p     I2  tau2   tau     od    do
A 0.387 28.816 11 0.002 61.827 0.017 0.129  0.135 0.639
B 0.550 24.127 11 0.012 54.407 0.122 0.349 -0.133 1.234

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiet metafor).

R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
metafor (wersja 5.0.1): 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

Najczęstsze pytania

Jakie I² oznacza dużą heterogeniczność?

Higgins i in. (2003) wstępnie nazwali I² = 25%, 50% i 75% heterogenicznością niską, umiarkowaną i wysoką. To etykiety orientacyjne, bo I² nie mówi, jak szeroko rozrzucone są prawdziwe efekty.

Czym różni się I² od τ²?

τ² to wariancja prawdziwych efektów w jednostkach efektu do kwadratu. I² to odsetek zmienności wyników, który wynika z tej wariancji. Przy dużych badaniach I² rośnie nawet przy małej τ².

Czy I² = 0% oznacza, że badania są jednorodne?

Nie zawsze. Przy kilku małych badaniach test Q ma małą moc, a oszacowanie τ² jest bardzo niepewne, więc brak wykrytej heterogeniczności nie dowodzi jej braku.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Borenstein, M., Higgins, J. P. T., Hedges, L. V., & Rothstein, H. R. (2017). Basics of meta-analysis: I² is not an absolute measure of heterogeneity. Research Synthesis Methods, 8(1), 5–18. https://doi.org/10.1002/jrsm.1230 ● Otwarty dostęp: pełny tekst
Higgins, J. P. T., Thompson, S. G., Deeks, J. J., & Altman, D. G. (2003). Measuring inconsistency in meta-analyses. BMJ, 327(7414), 557–560. https://doi.org/10.1136/bmj.327.7414.557 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@article{borenstein2017basics, author={Borenstein, Michael and Higgins, Julian P. T. and Hedges, Larry V. and Rothstein, Hannah R.}, title={{Basics of meta-analysis: I² is not an absolute measure of heterogeneity}}, journal={Research Synthesis Methods}, year={2017}, volume={8}, number={1}, pages={5--18}, doi={10.1002/jrsm.1230}}

@article{higgins2003measuring, author={Higgins, Julian P. T. and Thompson, Simon G. and Deeks, Jonathan J. and Altman, Douglas G.}, title={{Measuring inconsistency in meta-analyses}}, journal={BMJ}, year={2003}, volume={327}, number={7414}, pages={557--560}, doi={10.1136/bmj.327.7414.557}}

I² i τ² w metaanalizie – czym się różnią miary heterogeniczności?