Calcolatrice gratuita Editverse
Calcolatore di eterogeneità (I² e tau²)
Inserisci l'effetto di ciascuno studio e l'intervallo di confidenza al 95% per ottenere il Q di Cochran con i relativi gradi di libertà e p-value, I² e il tau² di DerSimonian-Laird, insieme alla stima aggregata, un forest plot e il comando R alla base del risultato. L'opzione a effetti fissi modifica solo i pesi di aggregazione; Q, I² e tau² vengono riportati in entrambi i modelli. Una guida completa all'interpretazione segue di seguito. Validato rispetto a R 4.3.3.
In parole semplici
Quando si aggregano i risultati di diversi studi in una meta-analisi , questi non coincidono mai perfettamente. L'eterogeneità misura quanto di tale dispersione rifletta differenze reali nell'effetto sottostante piuttosto che il caso. Il Q di Cochran verifica l'esistenza di eterogeneità; I² la esprime come percentuale della variazione totale; tau² stima la varianza effettiva tra gli studi sulla scala dell'effetto.
Questi tre numeri rispondono a domande diverse. Q fornisce un segnale sì/no, ma dipende fortemente dal numero di studi. I² è facile da confrontare tra le analisi, ma non dice nulla sulla dimensione assoluta. tau² cattura la reale dispersione degli effetti reali e alimenta direttamente un modello a effetti casuali. Interpretandoli insieme, si può capire se una singola stima aggregata è significativa.
Quando utilizzare le statistiche di eterogeneità
È importante segnalare l'eterogeneità ogni volta che si combinano gli studi. Un valore basso di I² con un Q non significativo supporta una stima aggregata; un valore elevato di I² avverte che gli studi potrebbero misurare effetti realmente diversi e che un singolo valore riassuntivo potrebbe essere fuorviante. Il tau² è essenziale quando si adatta un modello a effetti casuali, poiché determina quanto ciascuno studio viene ridotto verso la media.
Utilizzate queste statistiche per decidere come procedere, non solo per descrivere i dati. Un valore elevato di I² dovrebbe suggerire un'analisi dei sottogruppi o una meta-regressione per individuare la fonte della variazione. Abbinatele sempre alla dimensione dell'effetto aggregato e al relativo intervallo di confidenza . Dovete eseguire un'analisi aggregata completa? Utilizzate il nostro calcolatore per meta-analisi.
Formato previsto: Studi: Etichetta, Effetto, IC inferiore, IC superiore (uno per riga)
Trascina qui un file CSV oppure fai clic per scegliere. Analisi effettuata nel browser: nessun file verrà caricato.
Formato previsto: Studi: Etichetta, Effetto, IC inferiore, IC superiore (uno per riga)
library(meta) studlab <- c({meta_studlab}) TE <- c({meta_te}) lower <- c({meta_lower}) upper <- c({meta_upper}) seTE <- (upper - lower) / (2 * 1.96) # SE dal CI del 95%, come fa la calcolatrice m <- metagen(TE, seTE, studlab = studlab, sm = "SMD", common = {meta_common}, random = {meta_random}, method.tau = "DL") summary(m) # effetto aggregato, Q di Cochran, I2, tau2Guida utente
Quando utilizzarlo. Raggruppa le dimensioni dell'effetto tra gli studi e quantifica l'eterogeneità (I-quadrato).
Presupposti. Gli studi sono clinicamente e metodologicamente comparabili a sufficienza per poter essere combinati.
Errori comuni. Un valore elevato di I-quadrato (>75%) segnala una notevole eterogeneità: interpretare la stima aggregata con cautela.
Esempio pratico
Fai clic su "Carica dati di esempio" qui sopra, quindi su "Esegui analisi" per visualizzare un risultato completo con grafico, formula e interpretazione per questo test.
Referenze
- DerSimonian R, Laird N. Meta-analisi negli studi clinici. Control Clin Trials. 1986;7:177-188.
Esempi lavorati
Esempio 1 — Lettura I²
Supponiamo che il Q di Cochran sia pari a 4.1 su 3 gradi di libertà (non significativo) e che I² sia pari allo 0%. Gli studi sono coerenti: quasi tutta la variazione è dovuta all'errore di campionamento, quindi una stima aggregata a effetti fissi o casuali sarà in stretto accordo e il riepilogo è affidabile.
Esempio 2 — Elevata varianza tra gli studi
Supponiamo ora che Q = 22.5 su 4 gradi di libertà con I² = 82% e un tau² considerevole. La maggior parte della dispersione è dovuta a eterogeneità reale, non al caso. Un singolo valore aggregato ha poco significato in questo caso: sarebbe opportuno analizzare sottogruppi o effettuare una meta-regressione prima di riportare qualsiasi effetto complessivo.
Presupposti da verificare
La stessa metrica di effetto viene utilizzata in tutti gli studi. Q, I² e tau² vengono calcolati su un'unica scala di effetto (ad esempio, logaritmo dei rapporti di probabilità o differenze medie standardizzate). Mescolare metriche senza conversione rende le statistiche prive di significato.
Numero ragionevole di studi. Con pochissimi studi, tau² viene stimato in modo impreciso e I² presenta un'ampia incertezza. I valori di eterogeneità derivanti da un numero limitato di studi vanno considerati come indicatori approssimativi, non come conclusioni definitive.
Stime di studi indipendenti. Ogni studio dovrebbe contribuire con un effetto indipendente. Stime multiple correlate provenienti dallo stesso campione aumentano la precisione apparente e distorcono Q.
Errori comuni
Interpretare un valore Q non significativo come "assenza di eterogeneità"
Il test Q ha una bassa potenza quando gli studi sono pochi, quindi un risultato non significativo non dimostra l'omogeneità. Riportare I² e tau² insieme al test Q, anziché basarsi solo sul valore p del test.
Trattare le soglie I² come regole rigide
Le fasce del 25/50/75% per valori bassi/moderati/alti sono linee guida approssimative, non valori limite. Un valore di I² "moderato" con un tau² piccolo potrebbe non essere rilevante, mentre lo stesso valore di I² con un tau² elevato potrebbe essere significativo.
Ignorando tau² perché I² sembra piccolo
L'indice I² può apparire basso semplicemente perché gli studi sono ampi e precisi, anche quando gli effetti reali variano. Il tau² riporta che la variazione sulla scala degli effetti non dovrebbe essere trascurata.
Fermarsi ai numeri
Le statistiche sull'eterogeneità descrivono la variabilità, ma non la spiegano. Un valore elevato è un invito a indagare sulle differenze cliniche e metodologiche, non un risultato da riportare e poi ignorare.
Domande frequenti
Qual è la differenza tra I² e tau²?
I² rappresenta la proporzione della variazione totale dovuta all'eterogeneità, espressa in percentuale; tau² è la varianza stimata degli effetti reali sulla scala degli effetti originali.
Posso essere 0%?
Sì. Un I² dello 0% significa che la variazione osservata non è superiore a quella prevista dal solo errore di campionamento: gli studi sono statisticamente coerenti.
Perché I² dipende dalla dimensione del campione?
Gli studi più ampi presentano un errore di campionamento minore, pertanto una quantità fissa di variazione reale costituisce una quota maggiore del totale, aumentando I² anche quando tau² rimane invariato.
Il risultato corrisponde a quello ottenuto con R e Stat?
Sì. I² e tau² sono derivati dal Q di Cochran con lo stimatore standard di DerSimonian-Laird. Il calcolatore visualizza il Q di Cochran con i suoi gradi di libertà e il p-value, I² e tau²; il comando R (metagen nel pacchetto meta, con method.tau = “DL”) stampa gli stessi valori.
Calcolatori correlati
Referenze
- Higgins JPT, Thompson SG. Quantificazione dell'eterogeneità in una meta-analisi. StatMed. 2002;21(11):1539–1558. PMID12111919.
- Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Misurazione dell'incoerenza nelle meta-analisi. BMJ. 2003;327(7414):557–560. PMID12958120.
- DerSimonian R, Laird N. Meta-analisi negli studi clinici. Control Clin Trial. 1986;7(3):177–188.
Hai bisogno di questa analisi per il tuo manoscritto?
I nostri biostatistici con dottorato di ricerca eseguono la meta-analisi completa, che comprende la valutazione dell'eterogeneità, le analisi di sottogruppo e di meta-regressione, e un forest plot pronto per la pubblicazione con output R riproducibile.