Metaanalýza – když výsledky jedné studie nestačí

Možná jste se už s tím někdy setkali. Provádíte výzkum na nějaké téma (např. efekt léku na hubnutí), najdete si množství studií zabývajících se tímto problémem a výsledky dílčích analýz chcete shrnout do svého článku nebo odborné práce. Ale když jednotlivé studie procházíte, zjišťujete, že závěry výzkumů nejsou vždy ve 100% shodě a mnohdy se značně liší. Co s tím? Pro tyto účely byla vytvořena metaanalýza, která je od verze 28 součástí IBM SPSS Statistics.

Metaanalýza slouží k syntéze výsledků několika různých studií. Jejím hlavním přínosem je zvýšení věrohodnosti výstupů oproti výsledkům jednotlivých analýz, protože vhodným způsobem spojuje data ze všech dostupných studií na dané téma. Za další výhodu lze považovat fakt, že díky kumulaci dat z primárních studií dochází ke zvyšování velikosti výběrového souboru a tím pádem i statistické síle závěrů.

IBM SPSS Statistics obsahuje celkem 5 procedur metaanalýzy, rozlišené podle typu zkoumané proměnné a podle formátu vstupní datové matice. V tomto článku si ukážeme použití metaanalýzy na příkladu rozpoznávání obličejů dětmi a dospělými. Bude nás zajímat, jestli děti identifikují pachatele lépe než dospělí svědci. Výsledky z různých výzkumů zabývajících se rozpoznáváním osob prostřednictvím svědků s ohledem na jejich věk zaneseme do datové matice tak, aby každý řádek reprezentoval jednu studii.

V analýzách IBM SPSS Statistics zvolíme metaanalýzu primárních dat pro binární proměnnou (Analyze – Meta Analysis – Binary Outcomes – Raw Data). V okně procedury postupně dosadíme počty úspěšně a neúspěšně klasifikovaných obličejů dětmi a dospělými zvlášť. Dále máme na výběr čtyři způsoby výpočtu velikosti účinku, které vyjadřují směr a sílu vztahu mezi proměnnými (Effect Size).

Podle dostupnosti informací lze metaanalýzu rozšířit například o rozpad studií do několika tematických kategorií (Subgroup Analysis) nebo o kumulativní metaanalýzu, kdy se studie vyhodnocují v určitém pořadí, díky čemuž je mimo jiné možné pozorovat změnu ve výsledcích primárních studií v čase (Cumulative Analysis). Výsledky metaanalýzy je vhodné doplnit o grafické zobrazení výsledků, například pomocí tzv. forest nebo funnel plot.

Hlavním výstupem metaanalýzy je spočítaná velikost efektu s příslušnou p-hodnotou. V našem konkrétním příkladě byly děti v rozpoznávání obličejů naživo mírně horší než dospělí, ale v rozpoznávání osob na fotkách byly naopak lepší než dospělí svědci. Velikost celkového efektu je kladná, ale malá (0,019). Výsledná p-hodnota proto udává, že rozdíly mezi dětmi a dospělými zřejmě vznikly náhodou a nedají se považovat za statisticky významné. Závěr metaanalýzy v tomto případě je, že děti a dospělí mají velmi podobné schopnosti identifikovat obličeje.

Forest plot slouží k detailnějšímu pohledu na rozdíly v jednotlivých studiích. Lze v něm pozorovat dílčí hodnoty Effect size nebo případný vývoj změn výsledků studií v čase či identifikovat podezřele odlišné studie. V prezentovaném příkladě stojí za pozornost např. výzkumy Dekle et al. A, B, u kterých byla prokázaná statisticky významná odlišnost od nulového efektu. Takovéto studie s odlišnými závěry by bylo vhodné více prozkoumat, zda u nich nebyla například použita jiná metodika.

Jako každá statistická metoda, také metaanalýza má jisté nevýhody. Jedním z jejich největších úskalí je rozhodnout o vhodnosti zahrnutí či nezahrnutí studie do metaanalýzy. S určitou mírou heterogenity se metaanalýza obecně umí vypořádat, ale vždy je potřeba nemíchat výzkumně odlišné studie dohromady. Nicméně i přes jistá negativa poskytuje kvalitně provedená metaanalýza velký přínos díky možnosti provést informovanější rozhodnutí na základě kumulativních výsledků.

Rádi byste se o statistice a analýze dat dozvěděli více? Chcete se stát mistrem ve svém oboru nebo si jen potřebujete doplnit znalosti? V ACREA nabízíme širokou nabídku kurzů pro váš profesní růst. Máte-li jiný dotaz. Nebojte se využít naši nezávaznou konzultaci, při které vám rádi zodpovíme všechny vaše dotazy a najdeme vhodné řešení.