Calculatrice gratuite Editverse
Calculateur de biais de publication (graphique en entonnoir et test d'Egger)
Vérifiez la présence d'effets liés aux petites études dans une méta-analyse : créez un graphique en entonnoir et exécutez le test de régression d'Egger en utilisant la commande R exacte. Un guide d'interprétation complet est fourni ci-dessous. Validé avec R 4.3.3.
En mots simples
Le biais de publication survient lorsque les études aux résultats faibles ou non significatifs sont moins susceptibles d'être publiées, ce qui a pour conséquence de surestimer l'effet réel. Un graphique en entonnoir représente l'effet de chaque étude en fonction de sa précision ; en l'absence de biais, les points forment un entonnoir inversé symétrique.
Le test d'Egger transforme cette observation visuelle en une valeur numérique en régressant l'effet standardisé sur sa précision. Une ordonnée à l'origine significative signale une asymétrie du graphique en entonnoir, pouvant refléter un biais de publication ; toutefois, elle peut également résulter d'une hétérogénéité réelle ou du hasard. Le résultat est donc un signal d'alarme, et non une conclusion.
Quand utiliser les tests de biais de publication
Il est essentiel d'évaluer le biais de publication lors de toute méta-analyse , en particulier si les études incluses portent majoritairement sur des échantillons de petite taille. Une asymétrie suggère que l'estimation globale pourrait être surestimée en raison de l'absence d'études négatives, ce qui est particulièrement problématique lorsque l'effet global influence une conclusion clinique ou politique.
Interprétez ces tests avec prudence et jamais isolément. Avec moins d'une dizaine d'études, leur puissance statistique est faible et leurs résultats peu fiables. Associez le graphique en entonnoir et le test d'Egger à des analyses de sensibilité et analysez-les conjointement avec la taille de l'effet global et l'hétérogénéité des études . Vous ne savez pas quels tests effectuer pour votre revue ? Notre outil de sélection de tests peut vous aider.
Résultat attendu : une ligne par enregistrement, étiquette, effet, erreur standard
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : une ligne par enregistrement, étiquette, effet, erreur standard
library(meta) studlab <- c({funnel_studlab}) TE <- c({funnel_te}) seTE <- c({funnel_se}) m <- metagen(TE, seTE, studlab = studlab, common = TRUE, random = FALSE) summary(m) # Estimation groupée à effets fixes et intervalle de confiance à 95 %, comme indiqué par la calculatrice funnel(m) metabias(m, method.bias = "linreg", k.min = 3) # Test de régression d'Egger : intercept, t, pMode d'emploi
Quand l'utiliser ? Détecter l'asymétrie du graphique en entonnoir (un indicateur de biais de publication potentiel) via le test de régression d'Egger.
Hypothèses. Au moins ~10 études sont nécessaires pour un test d'Egger suffisamment puissant ; tailles d'effet et erreurs standard par étude.
Erreurs fréquentes. L'asymétrie peut aussi refléter une hétérogénéité réelle ou des effets liés à la taille des études, et pas seulement un biais.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Egger M, Davey Smith G, Schneider M, Minder C. Biais dans la méta-analyse détecté par un test graphique simple. BMJ. 1997;315:629-634.
Exemples travaillés
Exemple 1 — Un entonnoir symétrique
Dix études de tailles variables se répartissent uniformément autour de l'effet global, les petites études étant plus largement dispersées à la base et les grandes études regroupées en haut. Le test d'Egger ne donne pas d'ordonnée à l'origine significative. Il n'y a pas de preuve d'effets liés aux petites études, et l'estimation globale n'est pas manifestement biaisée par des études manquantes.
Exemple 2 — Asymétrie détectée
Les études de petite taille tendent majoritairement à mettre en évidence un effet plus important, créant ainsi un vide là où se situeraient les petites études négatives. Le test d'Egger est significatif. Cette tendance est compatible avec un biais de publication ; il convient donc de signaler cette asymétrie et d'en explorer l'impact par une analyse de sensibilité avant de se fier au résumé.
Hypothèses à vérifier
Des études suffisantes. Les graphiques en entonnoir et le test d'Egger nécessitent un nombre raisonnable d'études — généralement au moins dix — pour fournir des résultats significatifs. Avec un nombre inférieur, l'asymétrie ne peut être évaluée de manière fiable.
La taille des études est variable. Les méthodes reposent sur le contraste entre les études de petite taille et imprécises et les études de grande taille et précises. Si toutes les études sont de taille similaire, la courbe obtenue est ininterprétable.
L'asymétrie peut avoir plusieurs causes. L'asymétrie de l'entonnoir n'est pas une preuve de biais de publication ; une véritable hétérogénéité entre les études , une faible qualité méthodologique dans les petites études ou le hasard peuvent tous en être la cause.
Erreurs courantes
Effectuer le test sur un nombre insuffisant d'études
Avec moins d'une dizaine d'études, le test d'Egger manque de puissance et le graphique en entonnoir est difficile à interpréter. Annoncer un résultat « non significatif » dans ce cas est donc trompeur.
Assimiler l'asymétrie à un biais de publication
L'asymétrie est compatible avec un biais, mais ne le prouve pas. Il convient de la présenter comme un effet lié à la taille de l'étude, pouvant s'expliquer de plusieurs manières, plutôt que comme un biais confirmé.
Choisir le mauvais test pour la mesure de l'effet
Le test de régression d'Egger a été conçu pour certaines mesures d'effet ; d'autres tests conviennent mieux aux variables binaires comportant des événements rares. Choisissez le test le plus adapté à vos données plutôt que d'en utiliser un par défaut.
En négligeant l'ampleur du biais implicite
Même une asymétrie réelle peut ne modifier que légèrement l'estimation globale. Utilisez la méthode « trim-and-fill » ou une analyse de sensibilité pour évaluer l'impact réel sur la conclusion.
Questions fréquemment posées
Que montre un graphique en entonnoir ?
Elle représente graphiquement l'estimation de l'effet de chaque étude en fonction de sa précision ; un entonnoir inversé symétrique suggère l'absence d'effets liés aux petites études, tandis qu'un écart ou une dispersion asymétrique suggère un biais possible.
Un résultat significatif au test d'Egger constitue-t-il une preuve de biais de publication ?
Non. Cela indique une asymétrie du graphique en entonnoir, ce qui est cohérent avec un biais de publication, mais peut également résulter d'une hétérogénéité, de la qualité de l'étude ou du hasard.
De combien d'études ai-je besoin ?
En règle générale, au moins dix. En dessous de ce seuil, le graphique et le test formel sont peu fiables et doivent être interprétés avec une grande prudence, voire pas du tout.
Le résultat correspond-il à celui de R et de Stata ?
Oui. La calculatrice utilise le test standard de régression linéaire d'Egger pour l'asymétrie de l'entonnoir et affiche la commande R exacte afin que vous puissiez reproduire l'ordonnée à l'origine et la p-valeur.
Calculatrices associées
Références
- Egger M, Davey Smith G, Schneider M, Minder C. Biais dans la méta-analyse détecté par un test graphique simple. BMJ. 1997;315(7109):629–634. PMID 9310563.
- Sterne JAC, Sutton AJ, Ioannidis JPA et al. Recommandations pour l’examen et l’interprétation de l’asymétrie du graphique en entonnoir dans les méta-analyses d’essais contrôlés randomisés. BMJ. 2011;343:d4002. PMID 21784880.
- Duval S, Tweedie R. Trim and fill : une méthode simple basée sur un graphique en entonnoir pour tester et corriger le biais de publication dans la méta-analyse. Biométrie. 2000;56(2):455–463.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat évaluent le biais de publication à l'aide de graphiques en entonnoir, du test d'Egger et de la méthode « trim-and-fill », et fournissent une méta-analyse prête à être publiée avec des résultats R reproductibles.