Мета-анализ: что это, как сделать, отличие от систематического обзора

Методология6 августа 2026 г.22 мин чтения

Мета-анализом называют статистическое объединение результатов двух и более исследований в одну сводную оценку эффекта с доверительным интервалом (Cochrane Handbook, глава 10). Систематический обзор решает другую задачу: он определяет, какие исследования попадут в расчёт, через заранее заданный вопрос, критерии, поиск и отбор. Поэтому мета-анализ бывает частью систематического обзора, когда исследования достаточно сходны, а систематический обзор может обойтись без мета-анализа.

Сам мета-анализ делают в девять шагов: описать анализ в протоколе, собрать числа из исследований, выбрать меру эффекта, выбрать модель, оценить гетерогенность, исследовать её причины, проверить публикационное смещение, провести анализ чувствительности и оценить уверенность в выводах. Ниже каждый шаг разобран по Cochrane Handbook (версия 6.5, 2024), а после шагов показан полный расчёт на открытых данных 13 испытаний вакцины БЦЖ с кодом на R.

Чем мета-анализ отличается от систематического обзора

	Систематический обзор	Мета-анализ
Что это	Исследование с заранее заданным вопросом, в котором поиск, отбор и оценка работ идут по воспроизводимому протоколу	Статистический метод, который объединяет числовые результаты нескольких исследований
На какой вопрос отвечает	Какие исследования есть по вопросу, насколько им можно доверять и что они показывают вместе	Каков средний эффект и насколько он различается между исследованиями
Что получается на выходе	Список включённых исследований, оценка риска смещения, синтез результатов	Сводная оценка эффекта, доверительный интервал, показатели гетерогенности, forest plot
Может ли существовать без другого	Да: если исследования разнородны, делают синтез без мета-анализа	Посчитать можно по любому набору работ, но без систематического отбора неясно, что именно усреднено
Как описывают в отчёте	По чек-листу PRISMA 2020	По пунктам PRISMA 2020 о синтезе: 13a-13f и 20a-20d

Раздел 10.1 главы о мета-анализе в Cochrane Handbook так и называется: «Do not start here!» («Не начинайте отсюда»). Авторы предупреждают, что результаты мета-анализа могут сильно вводить в заблуждение, если до него не продуманы вопрос, критерии отбора, поиск, сбор данных и оценка риска смещения. Если исследования отобраны выборочно, сводная цифра воспроизведёт этот перекос, причём с узким и убедительным на вид доверительным интервалом.

Поэтому формула «систематический обзор и мета-анализ» в заголовке статьи означает: авторы провели обзор по протоколу и для части исходов, где исследования сопоставимы, объединили данные статистически. Весь маршрут обзора, от вопроса до отчёта, описан в статье «Систематический обзор литературы: как написать».

Когда мета-анализ уместен, а когда нет

Cochrane Handbook называет три возможных выгоды мета-анализа: он повышает точность оценки, позволяет ответить на вопросы, которые не ставили отдельные исследования (например, одинаков ли эффект в разных группах), и помогает разрешить спор, когда исследования противоречат друг другу. Там же сказано, что мета-анализ способен серьёзно ввести в заблуждение, если не учтены дизайн исследований, систематические ошибки внутри них, различия между ними и неполная публикация результатов.

Объединять данные имеет смысл, если выполнены три условия:

Исследования отвечают на один вопрос. Участники, вмешательство, сравнение и исход сопоставимы настолько, что средний эффект что-то значит. Эта сопоставимость закладывается ещё в критериях включения и исключения. Handbook допускает объединение клинически разных исследований, если авторы ясно формулируют общий вопрос: объединять «яблоки и апельсины» бессмысленно, если интересны именно яблоки или именно апельсины, но оправданно, если вопрос касается фруктов вообще (например, среднего эффекта целого класса препаратов).
В каждом исследовании есть числа для расчёта. Нужны данные, из которых можно получить оценку эффекта и её точность (подробнее в шаге 2).
Исследований хотя бы два. Формально этого достаточно, но при малом числе работ многие проверки теряют смысл: ниже по шагам указано, с какого числа исследований Handbook вообще советует применять каждую из них.

Handbook приводит пример, когда объединение вводит в заблуждение: исследования с разными формами контроля. Допустим, в одних испытаниях новый метод сравнивали с плацебо, в других с уже принятым лечением. Сводная цифра по таким работам смешивает два разных вопроса (лучше ли метод, чем ничего, и лучше ли он, чем принятое лечение), поэтому такие сравнения обычно анализируют раздельно.

Если объединять нельзя, обзор заканчивается синтезом без мета-анализа: исследования группируют по заранее заданному принципу и описывают по руководству SWiM. Этот вариант разобран в шаге о синтезе статьи «Систематический обзор литературы: как написать».

Как сделать мета-анализ: 9 шагов

Шаг 1. Опишите анализ в протоколе до начала работы

План анализа фиксируют в протоколе обзора до того, как увидели результаты исследований. В нём указывают:

меру эффекта для каждого исхода;
модель (фиксированный эффект или случайные эффекты) и метод расчёта;
как будет оцениваться гетерогенность;
какие подгруппы и модераторы будут проверяться и почему;
какие анализы чувствительности запланированы;
как будет оцениваться риск смещения из-за неопубликованных результатов;
в какой программе будет выполнен расчёт.

Смысл в защите от подгонки. Handbook прямо пишет: надёжные выводы дают только анализы, действительно заданные до просмотра результатов исследований, а поиск причин разброса, придуманный после, годится лишь для выдвижения гипотез. PRISMA 2020 в пункте 13d требует описать модель, методы оценки гетерогенности и использованную программу (Page и соавт., 2021).

Шаг 2. Соберите числа для расчёта

Что извлекать из каждого исследования, зависит от типа исхода:

бинарный исход (заболел или нет): число событий и число участников в каждой группе;
непрерывный исход (давление, балл по шкале): среднее, стандартное отклонение и число участников в каждой группе;
готовая оценка эффекта, если исследование сообщает только её: сама оценка и её стандартная ошибка или доверительный интервал. Отношения (рисков, шансов) при таком вводе переводят в натуральные логарифмы, программа потом покажет результат в обычной шкале.

Ошибка на этом этапе не исправляется никакой моделью: перепутанные группы или стандартная ошибка, принятая за стандартное отклонение, дадут неверный вес исследованию и неверный итог. Как построить форму извлечения, зачем извлекать исходы вдвоём и как сохранить источник каждого числа, разобрано в статье «Форма извлечения данных для систематического обзора».

Шаг 3. Выберите меру эффекта

Мета-анализ объединяет размеры эффекта: числа, которые показывают, насколько группы различаются по исходу. Сырые средние из таблиц исследований служат только материалом для их расчёта (Cochrane Handbook, глава 6).

Тип исхода	Пример	Мера эффекта
Бинарный	заболел или нет, сдал экзамен или нет	отношение рисков (risk ratio, RR), отношение шансов (odds ratio, OR), разность рисков (risk difference, RD)
Непрерывный, одна шкала во всех исследованиях	давление в мм рт. ст.	разность средних (mean difference, MD)
Непрерывный, разные шкалы	тревожность по разным опросникам	стандартизированная разность средних (standardized mean difference, SMD)
Время до события	время до рецидива	отношение мгновенных рисков (hazard ratio, HR)
Связь двух переменных	корреляция мотивации и успеваемости	коэффициент корреляции; в пакете metafor для объединения есть преобразование z Фишера

Отношения (RR, OR, HR) анализируют в логарифмической шкале. В обзорах Cochrane стандартизированная разность средних рассчитывается как g Хеджеса (Hedges' g). Для её толкования часто берут ориентир Коэна: 0,2 означает малый эффект, 0,5 умеренный, 0,8 большой. Handbook приводит этот ориентир, но оговаривает, что часть методологов считает такие общие границы спорными: важность эффекта зависит от предмета (Cochrane Handbook, глава 15).

Шаг 4. Выберите модель и метод расчёта

Большинство методов мета-анализа сводятся к взвешенному среднему оценок из разных исследований. Различаются допущения о том, что именно усредняется.

Модель фиксированного эффекта (fixed-effect) предполагает, что истинный эффект одинаков во всех исследованиях, а различия в результатах вызваны только случайностью.
Модель случайных эффектов (random-effects) допускает, что истинные эффекты в исследованиях различаются, и обычно считает их распределёнными нормально. Сводная оценка показывает центр этого распределения.

Когда гетерогенности нет, обе модели дают одинаковый результат. Когда она есть, доверительный интервал в модели случайных эффектов шире. Кроме того, модель случайных эффектов даёт небольшим исследованиям относительно больший вес, чем модель фиксированного эффекта. В примере ниже крупнейшее исследование получает 41% веса в модели фиксированного эффекта и 10% в модели случайных эффектов.

Выбирать модель по результату теста на гетерогенность нельзя: Handbook формулирует это как «никогда» (never). Модель выбирают по смыслу вопроса и записывают в протоколе.

Внутри модели есть технические решения, о которых стоит знать:

Взвешивание. Метод обратной дисперсии (inverse variance) присваивает исследованию вес, равный единице, делённой на квадрат стандартной ошибки. Для бинарных исходов в модели фиксированного эффекта есть метод Мантеля-Хензеля: по Handbook, у него лучше статистические свойства, когда событий мало, поэтому в фиксированной модели его обычно предпочитают обратной дисперсии.
Оценка межисследовательской дисперсии τ² (тау-квадрат). До 2024 года в RevMan был доступен только метод ДерСимониана-Лэрда (DerSimonian-Laird), теперь по умолчанию стоит метод ограниченного максимального правдоподобия (REML).
Доверительный интервал сводной оценки. Обычный интервал Вальда при малом числе исследований бывает слишком узким. Метод Хартунга-Кнаппа-Сидика-Йонкмана (HKSJ) расширяет интервал с учётом неопределённости в оценке гетерогенности. RevMan предлагает перейти на него, когда τ² больше нуля и исследований больше двух. При двух-трёх исследованиях интервал HKSJ бывает чрезмерно широким, поэтому Handbook советует в таком случае сравнить оба метода в анализе чувствительности.

Шаг 5. Оцените гетерогенность

Гетерогенностью называют разброс результатов между исследованиями сверх того, что объясняется случайностью. Её описывают четырьмя показателями, и ни один не заменяет остальные.

Тест хи-квадрат (Q). Проверяет, больше ли различия между исследованиями, чем можно ожидать от случайности. При малом числе исследований или малых выборках у теста низкая мощность, поэтому незначимый результат не доказывает отсутствие гетерогенности. По этой причине порогом значимости иногда берут p = 0,10 вместо привычного 0,05.

Статистика I². Показывает, какая доля разброса в оценках эффекта объясняется гетерогенностью, а не случайной ошибкой выборки. Cochrane Handbook даёт грубый ориентир:

Значение I²	Толкование по Cochrane Handbook
0-40%	может быть несущественной
30-60%	может означать умеренную гетерогенность
50-90%	может означать существенную гетерогенность
75-100%	значительная гетерогенность

Диапазоны перекрываются намеренно. Значение I² оценивают вместе с величиной и направлением эффектов и с тем, насколько убедительны данные о гетерогенности (например, по p-значению теста хи-квадрат или доверительному интервалу для I²).

τ² и τ. Оценка дисперсии истинных эффектов между исследованиями; τ (корень из τ²) означает их стандартное отклонение. В отличие от I², τ выражена в единицах самой меры эффекта.

Интервал прогноза (prediction interval). Показывает, в каком диапазоне лежат истинные эффекты отдельных исследований. Грубо это сводная оценка плюс-минус 1,96τ (для RR и OR в логарифмической шкале); точная формула добавляет неопределённость самой сводной оценки и потому даёт интервал чуть шире. Handbook считает неуместным приводить сводную оценку модели случайных эффектов с её доверительным интервалом без описания разброса и рекомендует интервал прогноза, когда исследований достаточно (например, пять и больше) и нет явной асимметрии воронкообразной диаграммы.

Как понимать доверительный интервал. 95% доверительный интервал не означает, что истинный эффект лежит в нём с вероятностью 95%. Число 95% описывает метод: если бы исследование повторяли много раз и все допущения модели были верны, 95% построенных так интервалов накрыли бы истинное значение (Greenland и соавт., 2016). Доверительный интервал говорит о точности среднего эффекта, интервал прогноза говорит о том, насколько эффекты различаются от исследования к исследованию.

Как читать forest plot

Результат мета-анализа обычно показывают на forest plot (лесовидной диаграмме). По Cochrane Handbook, каждое исследование на ней изображено квадратом в точке оценки эффекта с горизонтальной линией доверительного интервала. Площадь квадрата отражает вес исследования в мета-анализе. Сводная оценка показана ромбом: его центр соответствует среднему эффекту, ширина соответствует доверительному интервалу.

Вертикальная линия отмечает отсутствие эффекта: 1 для отношений (RR, OR), 0 для разностей (MD, SMD). Если ромб её не пересекает, сводный эффект статистически значим. Гетерогенность на графике видна без расчётов: при сильном разбросе доверительные интервалы отдельных исследований слабо перекрываются друг с другом.

Шаг 6. Исследуйте причины гетерогенности

Handbook перечисляет варианты действий при выявленной гетерогенности:

проверить данные на ошибки извлечения;
отказаться от мета-анализа;
исследовать причины разброса анализом подгрупп или мета-регрессией;
игнорировать гетерогенность, применив модель фиксированного эффекта;
применить модель случайных эффектов;
пересмотреть меру эффекта;
исключить выпадающие исследования.

Анализ подгрупп сравнивает эффект в группах исследований, например у детей и взрослых. Мета-регрессия проверяет, как эффект связан с характеристикой исследования, в том числе непрерывной (доза, средний возраст, год). Handbook рекомендует, как правило, не делать мета-регрессию, если исследований меньше десяти. Выводы из них заслуживают доверия, только если анализ задан в протоколе до просмотра результатов, и даже тогда их толкуют осторожно; найденное задним числом годится лишь как гипотеза.

Исключать исследования из-за того, что их результат не похож на остальные, в целом неразумно: это само вносит смещение. Если для выпадающего результата есть очевидная причина, исследование можно исключить, а результат с ним и без него показать в анализе чувствительности.

Шаг 7. Проверьте публикационное смещение

Систематический обзор стремится найти все подходящие исследования, но часть результатов остаётся неопубликованной или публикуется выборочно, в зависимости от p-значения, величины или направления эффекта. Cochrane называет это смещением из-за несообщения (non-reporting bias) (Cochrane Handbook, глава 13). Главная защита закладывается ещё при поиске: в реестрах испытаний, диссертациях и других источниках вне журнальных публикаций. Подробнее об источниках в статье «Где искать научные статьи».

Для проверки строят воронкообразную диаграмму (funnel plot): оценка эффекта по горизонтали, стандартная ошибка по вертикали. Асимметрия воронки показывает эффекты малых исследований (small-study effects), то есть склонность малых исследований давать иные оценки, чем крупные. Неполная публикация служит одной из возможных причин асимметрии, но не единственной: такую же картину дают, например, методические недостатки малых исследований.

Статистические тесты асимметрии, включая регрессионный тест Эггера, по правилу из Handbook применяют, только когда в мета-анализе не меньше 10 исследований: при меньшем числе у тестов низкая мощность. По данным, приведённым в Handbook (Nguyen и соавт., 2022), в случайной выборке из 300 систематических обзоров, проиндексированных в 2020 году, мета-анализ хотя бы с 10 исследованиями был только в 28%. Для структурированной оценки этого риска Cochrane предлагает инструмент ROB-ME. PRISMA 2020 требует описать метод (пункт 14) и привести оценки для каждого синтеза (пункт 21).

Шаг 8. Проведите анализ чувствительности

Анализ чувствительности повторяет основной мета-анализ, заменяя спорные или произвольные решения альтернативными. Вопрос, на который он отвечает: устойчив ли вывод к решениям, принятым по ходу работы. У Cochrane это стандарт MECIR C71 со статусом «крайне желательно» (highly desirable).

Что обычно проверяют:

исключение исследований с высоким риском смещения;
исключение исследований, где часть данных восстановлена или вменена;
пограничные решения о включении (например, исследование, где большинство участников, но не все, попадают в нужный возрастной диапазон);
другой статистический метод: иную модель или иной способ оценки τ²;
поочерёдное исключение каждого исследования (leave-one-out): в R с пакетом metafor для этого есть функция leave1out(), в JASP похожие проверки влияния отдельных исследований собраны в разделе диагностики.

Когда вывод меняется от одного такого решения, в отчёте об этом пишут прямо, и уверенность в выводе снижается. Handbook советует сводить результаты анализов чувствительности в одну таблицу, отдельный forest plot на каждый из них обычно не нужен.

Шаг 9. Оцените уверенность в выводах и опишите результат

Последний шаг выводит мета-анализ за пределы статистики. Уверенность в выводе по каждому исходу оценивают по системе GRADE: несогласованность результатов, неточность и публикационное смещение входят в число причин понизить уровень уверенности. Как это делается, описано в статье «Систематический обзор литературы: как написать».

В отчёте для каждого синтеза приводят сводную оценку с доверительным интервалом и показатели гетерогенности, результаты анализа подгрупп и анализа чувствительности (PRISMA 2020, пункты 20a-20d), а также оценку риска смещения из-за несообщения (пункт 21). Полный чек-лист на русском есть в статье «PRISMA 2020: чек-лист и блок-схема на русском».

Пример мета-анализа: 13 испытаний вакцины БЦЖ

Шаги удобно проследить на открытых данных. Набор dat.bcg входит в пакет metafor для R: это 13 испытаний эффективности вакцины БЦЖ против туберкулёза из мета-анализа Colditz и соавт. (JAMA, 1994). Для каждого испытания известны четыре числа (заболевшие и здоровые среди привитых и среди непривитых) и географическая широта места проведения.

Весь расчёт укладывается в два десятка строк:

install.packages("metafor")
library(metafor)

dat <- escalc(measure = "RR", ai = tpos, bi = tneg,
              ci = cpos, di = cneg, data = dat.bcg)

res <- rma(yi, vi, data = dat)
res
predict(res, transf = exp)
forest(res, atransf = exp)

fe <- rma(yi, vi, data = dat, method = "EE")
predict(fe, transf = exp)
weights(fe); weights(res)

predict(rma(yi, vi, data = dat, test = "knha"), transf = exp)

rma(yi, vi, mods = ~ ablat, data = dat)

funnel(res)
regtest(res)

leave1out(res, transf = exp)

Что делает каждый блок кода:

escalc() считает отношение рисков по каждому испытанию в логарифмической шкале (шаг 3).
rma() строит модель случайных эффектов, τ² по умолчанию оценивается методом REML (шаг 4). Вывод res содержит Q, I² и τ² (шаг 5), predict() возвращает сводное RR с доверительным интервалом и интервалом прогноза, forest() рисует forest plot.
method = "EE" строит модель фиксированного эффекта, weights() показывает вес каждого испытания в процентах в обеих моделях.
test = "knha" пересчитывает доверительный интервал по методу Хартунга-Кнаппа, predict(..., transf = exp) переводит результат из логарифмов в обычную шкалу RR.
mods = ~ ablat превращает модель в мета-регрессию по широте (шаг 6).
funnel() и regtest() строят воронкообразную диаграмму и выполняют регрессионный тест Эггера (шаг 7).
leave1out() повторяет анализ, поочерёдно исключая каждое испытание (шаг 8).

Результаты (R, metafor 5.2):

Показатель	Значение	Как читать
Сводное отношение рисков, случайные эффекты	0,49 (95% ДИ 0,34-0,70)	в среднем риск туберкулёза у привитых примерно вдвое ниже
То же, интервал по Хартунгу-Кнаппу	0,49 (95% ДИ 0,33-0,73)	интервал немного шире, вывод тот же
Модель фиксированного эффекта	0,65 (95% ДИ 0,60-0,70)	обманчиво узкий интервал: модель считает, что эффект везде одинаков
Тест хи-квадрат	Q = 152,2 при 12 степенях свободы, p < 0,0001	разброс не объясняется случайностью
I²	92%	значительная гетерогенность по ориентиру Cochrane
τ²	0,31	стандартное отклонение истинных логарифмов RR около 0,56
95% интервал прогноза	0,15-1,55	в новом исследовании истинный эффект может лежать где угодно от сильной защиты (риск ниже в 6-7 раз) до её отсутствия и даже роста риска в 1,5 раза
Мета-регрессия по широте	объясняет около 76% гетерогенности, остаточный I² 68%	чем дальше от экватора проводилось испытание, тем сильнее защитный эффект
Тест Эггера	p = 0,42	асимметрия воронки не выявлена; при 13 исследованиях тест применим
Поочерёдное исключение	сводное RR от 0,45 до 0,53	ни одно исследование в одиночку не меняет вывод

Пример показывает сразу несколько положений из шагов выше. Модель фиксированного эффекта дала другую оценку (0,65 вместо 0,49), потому что 41% веса в ней получило одно крупное испытание в Индии (TPT Madras, около 177 тысяч участников, RR 1,01), а в модели случайных эффектов его вес 10%. Доверительный интервал говорит, что вакцина в среднем защищает, а интервал прогноза предупреждает, что в конкретных условиях защиты может не быть, а риск может даже вырасти. Мета-регрессия с 13 исследованиями укладывается в правило «не меньше десяти» и находит правдоподобное объяснение разброса.

Для педагогики или психологии порядок тот же, меняется мера эффекта: например, measure = "SMD" для сравнения групп по разным шкалам или measure = "ZCOR" для корреляций.

Программы для мета-анализа: RevMan, R, JASP, jamovi

Цены и условия приведены на сентябрь 2026 года.

Программа	Стоимость	Интерфейс	Что умеет
RevMan (Cochrane)	Бесплатно для авторов обзоров Cochrane. Для остальных годовая подписка: £130 (стандартная), £100 (академическая), £80 (студенческая), к цене добавляется НДС для ЕС и Великобритании; для организаций от £560 в год за доступ до 8 пользователей (цена зависит от типа организации и числа мест)	Веб-приложение	Полный цикл обзора Cochrane, мета-анализ с forest plot, REML и HKSJ
R + пакет metafor	Бесплатно, открытый код	Код	Размеры эффекта, модели с фиксированным, случайными и смешанными эффектами, мета-регрессия, диаграммы
R + пакет meta	Бесплатно, открытый код	Код	Стандартный мета-анализ; есть пошаговое руководство (Balduzzi и соавт., 2019)
JASP, модуль Meta-Analysis	Бесплатно, открытый код	Меню и флажки	Модель случайных эффектов (по умолчанию REML и поправка Кнаппа-Хартунга), мета-регрессия, forest и funnel plot, тесты асимметрии воронки, включая тест Эггера, диагностика влияния исследований; показывает эквивалентный код metafor
jamovi, модуль MAJOR	Бесплатно, открытый код (GPL-3)	Меню и флажки	Построен на metafor: бинарные исходы, разности средних, корреляции, доли, альфа Кронбаха; forest и funnel plot, базовая проверка публикационного смещения (MAJOR на GitHub)

Несколько условий, которые важны для читателей из Беларуси и России:

RevMan для обзоров вне Cochrane платный. Бесплатный доступ предусмотрен для стран программы Research4Life, но Беларуси и России в её списках нет. Оплата принимается картой в фунтах стерлингов. Прежнюю бесплатную настольную версию RevMan 5 Cochrane больше не поддерживает (Cochrane Style Manual).
JASP и jamovi подходят для первого мета-анализа: всё делается через меню, код писать не нужно. Оба модуля считают на том же пакете metafor, что и R, поэтому результаты сопоставимы. Модуль мета-анализа JASP описан его авторами вместе с автором metafor (Bartoš, Wagenmakers, Viechtbauer, 2025).
R с metafor даёт больше всего возможностей и воспроизводимый скрипт, который можно приложить к статье или диссертации.

Выбор программы вторичен. Итог определяют отбор исследований и точность извлечённых чисел. Незнакомые термины из этой статьи собраны в глоссарии.

Частые вопросы

Можно ли сделать мета-анализ без систематического обзора? Посчитать сводную оценку можно по любому набору исследований. Но без воспроизводимого поиска и отбора неясно, какие работы попали в расчёт и почему, поэтому результат нельзя считать надёжным. Cochrane Handbook предупреждает, что результаты мета-анализа могут сильно вводить в заблуждение, если до него не продуманы вопрос, критерии, поиск, отбор и оценка риска смещения.

Сколько исследований нужно для мета-анализа? Формально достаточно двух. Но интервал прогноза Cochrane Handbook рекомендует приводить примерно с пяти исследований, а мета-регрессию и тесты асимметрии воронки, как правило, делать не меньше чем с десятью. При двух-четырёх исследованиях гетерогенность оценивается ненадёжно, и выводы о ней формулируют осторожно.

Что значит высокий I²? I² показывает, какая доля разброса в результатах объясняется реальными различиями между исследованиями, а не случайностью. По ориентиру Cochrane значения 50-90% могут означать существенную гетерогенность, а 75-100% значительную, но диапазоны перекрываются, и I² читают вместе с величиной и направлением эффектов. Высокий I² сам по себе не запрещает объединять данные. Он служит поводом искать причины разброса и приводить интервал прогноза.

Какую модель выбрать: фиксированный эффект или случайные эффекты? Модель выбирают заранее, в протоколе, по смыслу вопроса: можно ли ожидать один общий эффект во всех исследованиях. Выбирать её по результату теста на гетерогенность, по формулировке Cochrane Handbook, не следует никогда. Когда исследования различаются по участникам и условиям, обычно берут модель случайных эффектов, а результат другой модели показывают в анализе чувствительности.

В какой программе сделать мета-анализ бесплатно? Бесплатны R с пакетами metafor или meta, а также JASP (модуль Meta-Analysis) и jamovi (модуль MAJOR) с меню вместо кода. RevMan для обзоров вне Cochrane на сентябрь 2026 года платный, а бесплатный доступ через Research4Life на Беларусь и Россию не распространяется.

Чем доверительный интервал отличается от интервала прогноза? Доверительный интервал показывает, насколько точно оценён средний эффект. Интервал прогноза показывает, в каком диапазоне лежат эффекты в отдельных исследованиях с учётом их разброса. При сильной гетерогенности доверительный интервал бывает узким, а интервал прогноза широким, как в примере с вакциной БЦЖ: 0,34-0,70 против 0,15-1,55.

Источники

Попробуйте Нейросинт на своём обзоре.

Начать бесплатно →