Metaregresja – jak sprawdzić, czy cechy badań wyjaśniają heterogeniczność?

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 28 października 2026

Co to jest metaregresja?

Metaregresja (ang. meta-regression) to regresja, w której jednostką analizy jest badanie, a zmienną zależną – jego wielkość efektu. Predyktory, nazywane moderatorami, opisują badania: średni wiek uczestników, dawkę, rok publikacji czy szerokość geograficzną. Metaregresja odpowiada na pytanie, czy cechy badań wyjaśniają różnice wyników, czyli heterogeniczność widoczną w metaanalizie.

Model mieszany i test Knappa–Hartunga

Standardem jest metaregresja z efektami mieszanymi: moderatory to efekty stałe, a heterogeniczność, której nie wyjaśniają, opisuje rezydualne τ². Thompson i Higgins (2002) podkreślają, że wagi muszą uwzględniać zarówno wariancję wewnątrz badań, jak i tę resztową heterogeniczność. Model efektu stałego ją pomija i daje zbyt wąskie przedziały. Testy współczynników warto liczyć metodą Knappa i Hartunga (2003), która używa rozkładu t lub F i lepiej trzyma nominalny poziom istotności niż test z. Analog R² mówi, jaką część τ² z modelu bez moderatorów wyjaśnił moderator. Więcej o miarach heterogeniczności przeczytasz w haśle I² i τ².

Przykład

W klasycznym zbiorze 13 badań szczepionki BCG (zbiór dat.bcg z pakietu metafor) τ² wynosiło 0.313. Po dodaniu szerokości geograficznej spadło do 0.076, więc R² = 75.6%. Współczynnik moderatora: b = −0.029 log RR na stopień, F(1, 11) = 12.59, p = .005 (Knapp–Hartung). Test z dał p = .0001, a test permutacyjny p = .014. Resztowa heterogeniczność pozostała istotna: Q_E(11) = 30.73, p = .001.

Jak opisać w pracy

Na co uważać

• Mało badań na moderator. Higgins i Thompson (2004) pokazali, że przy niewielu badaniach, dużej heterogeniczności i wielu moderatorach odsetek fałszywie pozytywnych wyników mocno rośnie. Moderatory wskaż z góry, a mnogość testów potraktuj jak problem wielokrotnych porównań.
• Związek obserwacyjny. Nawet gdy każde badanie jest randomizowane, moderator nie był losowo przydzielany badaniom.
• Błąd ekologiczny. Związek ze średnim wiekiem w badaniach nie mówi, że efekt zmienia się z wiekiem pojedynczej osoby – to błąd ekologiczny.
• Resztowa heterogeniczność. Podaj τ² po uwzględnieniu moderatora i przedział predykcji.

Pełną analizę moderatorów pokazuje wpis Metaregresja i analiza moderatorów, a całą metaanalizę – Metaanaliza krok po kroku.

suppressPackageStartupMessages(library(metafor))
dat <- escalc(measure = "RR", ai = tpos, bi = tneg, ci = cpos, di = cneg,
              data = dat.bcg)                       # 13 badań szczepionki BCG, log RR
m0 <- rma(yi, vi, data = dat)                       # model bez moderatora (REML)
m1 <- rma(yi, vi, mods = ~ ablat, data = dat, test = "knha")   # metaregresja, Knapp–Hartung
mz <- rma(yi, vi, mods = ~ ablat, data = dat)                  # ta sama, test z
m1
round(c(tau2_bez = m0$tau2, tau2_z = m1$tau2, R2 = m1$R2,
        p_knha = m1$pval[2], p_z = mz$pval[2]), 4)
set.seed(3391)
permutest(m1, iter = 1000, progbar = FALSE)         # test permutacyjny (Higgins i Thompson, 2004)

Mixed-Effects Model (k = 13; tau^2 estimator: REML)

tau^2 (estimated amount of residual heterogeneity):     0.0764 (SE = 0.0591)
tau (square root of estimated tau^2 value):             0.2763
I^2 (residual heterogeneity / unaccounted variability): 68.39%
H^2 (unaccounted variability / sampling variability):   3.16
R^2 (amount of heterogeneity accounted for):            75.62%

Test for Residual Heterogeneity:
QE(df = 11) = 30.7331, p-val = 0.0012

Test of Moderators (coefficient 2):
F(df1 = 1, df2 = 11) = 12.5905, p-val = 0.0046

Model Results:

         estimate      se     tval  df    pval    ci.lb    ci.ub
intrcpt    0.2515  0.2839   0.8857  11  0.3948  -0.3735   0.8764
ablat     -0.0291  0.0082  -3.5483  11  0.0046  -0.0472  -0.0111  **

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

tau2_bez   tau2_z       R2   p_knha      p_z
  0.3132   0.0764  75.6245   0.0046   0.0001

Test of Moderators (coefficient 2):¹
F(df1 = 1, df2 = 11) = 12.5905, p-val = 0.0140

Model Results:

         estimate      se     tval  df    pval¹    ci.lb    ci.ub
intrcpt    0.2515  0.2839   0.8857  11  0.7380   -0.3735   0.8764
ablat     -0.0291  0.0082  -3.5483  11  0.0140   -0.0472  -0.0111  *

---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

1) p-values based on permutation testing

Najczęstsze pytania

Ile badań potrzeba do metaregresji?

Nie ma twardej granicy, ale przy kilku badaniach na moderator wyniki są niestabilne, a ryzyko fałszywie pozytywnych wyników wysokie (Higgins i Thompson, 2004). Ogranicz liczbę moderatorów, wskaż je z góry i używaj testu Knappa–Hartunga.

Czym metaregresja różni się od analizy podgrup?

Analiza podgrup porównuje efekt w kategoriach jednego moderatora jakościowego. Metaregresja jest ogólniejsza: obejmuje moderatory ciągłe i kilka moderatorów naraz, a analiza podgrup to jej szczególny przypadek.

Jak policzyć metaregresję w R?

W pakiecie metafor: rma(yi, vi, mods = ~ moderator, data = dane, test = "knha"). Odczytaj współczynnik moderatora, test F, rezydualne τ², R² i Q_E; do kontroli istotności użyj permutest().

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

@article{higgins2004controlling, author={Higgins, Julian P. T. and Thompson, Simon G.}, title={{Controlling the risk of spurious findings from meta-regression}}, journal={Statistics in Medicine}, year={2004}, volume={23}, number={11}, pages={1663--1682}, doi={10.1002/sim.1752}}

@article{knapp2003improved, author={Knapp, Guido and Hartung, Joachim}, title={{Improved tests for a random effects meta-regression with a single covariate}}, journal={Statistics in Medicine}, year={2003}, volume={22}, number={17}, pages={2693--2710}, doi={10.1002/sim.1482}}

@article{thompson2002how, author={Thompson, Simon G. and Higgins, Julian P. T.}, title={{How should meta-regression analyses be undertaken and interpreted?}}, journal={Statistics in Medicine}, year={2002}, volume={21}, number={11}, pages={1559--1573}, doi={10.1002/sim.1187}}