Słownik metodologiczny · Wielkość efektu

Wykres Baujata: wkład do heterogeniczności i wpływ na wynik metaanalizy

Wykres Baujata zestawia dla każdego badania metaanalizy jego wkład do statystyki Q Cochrana i wpływ na wynik łączny. Pokazujemy, jak go czytać, przykład w R i dlaczego badanie w prawym górnym rogu to sygnał, a nie wyrok.

Strona główna / Słownik / Wykres Baujata
W skrócie: Wykres Baujata pokazuje każde badanie metaanalizy jako punkt: na osi X jego wkład do statystyki Q Cochrana, na osi Y wpływ na wynik łączny (zmiana po usunięciu badania). Badania w prawym górnym rogu są źródłem heterogeniczności i najmocniej zmieniają wynik.

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

Wykres Baujata wskazał dwa badania o największym wkładzie do heterogeniczności (Hart & Sutherland: 51.1 i TPT Madras: 49.4 z Q = 152.2). Wykluczenie badania TPT Madras zmieniało łączny RR z 0.65 do 0.48, dlatego wynik bez tego badania raportujemy jako analizę wrażliwości.

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).

Przykład reprodukowalny

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

Dane wejściowe: dat.bcg z pakietu metadat – 13 badań szczepionki BCG (gruźlica w grupie szczepionej i kontrolnej).

Co odczytać: wklad_Q (oś X) sumuje się do Q = 152.233; wplyw (oś Y) – największy dla TPT Madras (34.88); RR = 0.650, bez TPT Madras 0.476, bez Hart & Sutherland 0.712.

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()).

  1. 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/
  2. 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 studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. 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
  2. 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}}
R