Co to jest wykres Baujata?
Wykres Baujata (ang. Baujat plot) to graficzne narzędzie do szukania źródeł heterogeniczności w metaanalizie. Każde badanie jest punktem. Oś X to jego wkład do statystyki Q Cochrana, a oś Y – wpływ na wynik łączny, czyli standaryzowana kwadratowa różnica między efektem łącznym policzonym z tym badaniem i bez niego (Baujat i in., 2002).
Autorzy pokazali metodę na metaanalizie 65 badań chemioterapii nowotworów głowy i szyi (10 850 pacjentów). Wykres wskazał badania, które w dużej części odpowiadały za heterogeniczność i silnie zmieniały wynik. Nie trzeba było przy tym z góry przeglądać wszystkich możliwych podziałów w analizie podgrup.
Przykład
W danych dat.bcg (13 badań szczepionki BCG, log RR, model efektu wspólnego) wkłady badań sumują się do Q = 152.2. Najwięcej dokładają Hart & Sutherland (51.1) i TPT Madras (49.4), ale ich wpływ jest różny. Bez TPT Madras łączny RR spada z 0.650 do 0.476 (wpływ 34.9), a bez Hart & Sutherland rośnie do 0.712 (wpływ 4.6). TPT Madras leży więc w prawym górnym rogu: jest jednocześnie źródłem heterogeniczności i badaniem, od którego najbardziej zależy wynik.
Jak opisać w pracy
Na co uważać
- To wykres opisowy, nie test. Nie ma progów istotności; punkty ocenia się względem pozostałych badań.
- Wynik zależy od modelu. W modelu efektów losowych wagi są bardziej wyrównane, więc pojedyncze duże badanie wpływa na wynik słabiej.
- Badanie wpływowe nie jest błędne. Przyczyny szukaj w jego cechach (metaregresja), a wynik bez niego pokaż w analizie wrażliwości. Uzupełnieniem jest wykres Galbraitha.
Pakiet metafor zawiera funkcje diagnostyki przypadków, m.in. baujat() i leave1out() (Viechtbauer, 2010).
Wykres Baujata w R
Kod dopasowuje model efektu wspólnego dla log RR, odczytuje współrzędne wykresu z baujat() i porównuje wynik łączny bez dwóch badań o największym wkładzie do Q (leave1out()). Liczby w tekście pochodzą z tego kodu.
Wkład do Q, wpływ na wynik i wynik bez badania
R
library(metafor) # dane dat.bcg (pakiet metadat): 13 badań szczepionki BCG
dat <- escalc(measure = "RR", ai = tpos, bi = tneg, ci = cpos, di = cneg, data = dat.bcg)
res <- rma(yi, vi, data = dat, method = "EE") # model efektu wspólnego (stałego), log RR
pdf(NULL); b <- baujat(res) # x: wkład do Q, y: wpływ na wynik łączny
wynik <- data.frame(badanie = dat$author, wklad_Q = round(b$x, 2), wplyw = round(b$y, 2))
print(wynik[order(-wynik$wklad_Q), ][1:5, ]) # pięć badań o największym wkładzie do Q
l1 <- leave1out(res) # wynik łączny bez każdego badania
round(c(Q = res$QE, suma_wkladow = sum(b$x), RR = exp(unname(coef(res))),
RR_bez_TPT = exp(l1$estimate[8]), RR_bez_Hart = exp(l1$estimate[4])), 3)Wynik w R
badanie wklad_Q wplyw
4 Hart & Sutherland 51.11 4.56
8 TPT Madras 49.37 34.88
6 Stein & Aronson 18.34 5.71
10 Rosenthal et al 12.13 0.28
2 Ferguson & Simes 6.86 0.06
Q suma_wkladow RR RR_bez_TPT RR_bez_Hart
152.233 152.233 0.650 0.476 0.712 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 z pakietem metafor 5.2-1 (dane dat.bcg z pakietu metadat 1.6-0). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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 5.2-1): 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
Czym wykres Baujata różni się od wykresu Galbraitha?
Wykres Galbraitha pokazuje, jak daleko badanie leży od wyniku łącznego, czyli ile dokłada do Q. Wykres Baujata dodaje drugą informację: o ile wynik łączny zmieniłby się bez tego badania. Badanie może mocno odbiegać od reszty, a przy małej wadze prawie nie wpływać na wynik.
Czy badanie z prawego górnego rogu trzeba usunąć?
Nie. Wykres wskazuje, któremu badaniu przyjrzeć się bliżej: populacji, schematowi, jakości danych. Jeśli różnicę da się wyjaśnić cechą badania, uwzględnij ją w metaregresji lub analizie podgrup; wynik bez tego badania pokaż jako analizę wrażliwości, obok wyniku głównego.
Jak narysować wykres Baujata w R?
W pakiecie metafor wystarczy baujat(res), gdzie res to model z funkcji rma(). Funkcja zwraca też współrzędne punktów (x – wkład do Q, y – wpływ), a leave1out(res) podaje wynik łączny po kolei bez każdego badania.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Baujat, B., Mahé, C., Pignon, J.-P., & Hill, C. (2002). A graphical method for exploring heterogeneity in meta-analyses: application to a meta-analysis of 65 trials. Statistics in Medicine, 21(18), 2641–2652. https://doi.org/10.1002/sim.1221
- 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 ● Otwarty dostęp
Cytowania BibTeX
@article{baujat2002graphical, author={Baujat, Bertrand and Mahé, Cédric and Pignon, Jean-Pierre and Hill, Catherine}, title={{A graphical method for exploring heterogeneity in meta-analyses: application to a meta-analysis of 65 trials}}, journal={Statistics in Medicine}, year={2002}, volume={21}, number={18}, pages={2641--2652}, doi={10.1002/sim.1221}}@article{viechtbauer2010conducting, 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}}