在荟萃分析（Meta分析）中识别和避免发表偏倚

发表偏倚是指具有统计学显著性的研究结果较不显著结果更易发表，这对荟萃分析极为不利，可导致对效果的过高估计，进而影响相关政策甚至临床诊断。

在荟萃分析中恰当处理发表偏倚问题，对于确保综合分析结果可靠有效至关重要。

目前已有方法可识别、修正荟萃分析中的发表偏倚。后文将阐释发表偏倚的概念，然后给出具体处理方法。

发表偏倚会削弱综合分析结果的准确性和可靠性，从而影响荟萃分析。不同于单一案例研究，荟萃分析具有累积效应，聚合多项研究评估效应值，因而会放大发表偏倚的影响。

具有统计学显著性的研究结果较不显著结果更易发表，导致了发表偏倚。其他研究人员在该领域开展荟萃分析或其他研究时，更易检索到这些结果并将其纳入研究。

发表偏倚与统计功效密切相关。统计功效较高，研究可正确识别真实存在的微小效应；而统计功效较小时，则要求效应量很大才能得到显著结果。这意味着，相关研究极有可能得到非显著性结果，无法发表。‘

导致发表偏倚的主要因素是选择性报告，即研究人员认为仅具有统计学显著性的结果才值得关注，可以发表。这种做法如今非常普遍，因为研究人员致力于获取资助、提高学术声誉，而发表不显著的研究结果往往被视为“失败”。荟萃分析涉及大量研究，影响会被进一步放大。因此，上述风险依然存在，而且从某种意义上说，风险更大。

发表偏倚的另一个原因是结果报告偏倚。研究人员可能有选择地报告或改变某些结果或分析，从而得出统计学上的显著结果。

编辑偏倚也是原因之一。在研究应“具有创新性”和“激动人心”的压力之下，期刊编辑或审稿人可能也倾向于支持发表具有统计学显著性的结果。他们认为，这类论文可吸引更多读者，对学术界产生更大影响。

这种有选择的发表可能会影响荟萃分析的结果，导致具有显著性的结果比例过高，使结论出现偏差。

荟萃分析旨在根据与某一课题相关的所有文献，就研究对象的有效性（即一种治疗方法的疗效）给出结论。如果仅具有统计学显著性的结果得到发表，荟萃分析就会遗漏大量重要的证据。

这将导致结论偏离真相，某项干预措施的有效性或重要性被夸大，进而使临床医生或决策者无法通过荟萃分析全面了解相关问题，造成严重后果。

Kirsch等的论文《皇帝的新药》（The Emperor's New Drugs），利用《信息自由法》获得制药公司向美国食品和药物管理局提供的抗抑郁药试验未公开数据，论文发现引发争议。

他们发现，如果将以前未公开的数据纳入分析，抗抑郁药的临床作用与安慰剂相比并不显著。他们认为，这与选择性发表有关，即结果不利的研究遭拒，而有利结果却顺利发表。这一发现动摇了科学界和公众对抗抑郁药效果的信心。你可以想象其影响——从研究人员到临床医生、制药公司，直至“终端用户”。

评估发表偏倚最简单直接的方法是通过小样本效应（详见Stern等（2000）），即小样本研究显示出较大/超大效应量。

发表偏倚源于仅显著结果得到发表，而获得显著结果的概率随着样本量增大而增加，这意味着发表偏倚主要影响小样本研究。在小样本研究中，效应量较大时，获得显著结果的可能性更大。

针对发表偏倚，可通过观察和统计方法来识别、修正小样本效应，具体方法如下。

漏斗图是最常用于展示发表偏倚的可视化图形。森林图并非为此而设计，但也可使用。

漏斗图为散点图，横轴为效应值，纵轴为标准误差。

如果不存在发表偏倚，数据点会形成类似图A对称的倒置漏斗。小样本研究对应的数据点在顶部，大样本研究在底部。这样的图形表明，效应值分布均匀。

如果存在发表偏倚，数据点往往如图B所示偏向一侧。

图A

图B

图片来源https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/pub-bias.html

注意，漏斗图的不对称性可通过观察直接评估，但还须用Egger检验进行量化分析（见下文）。

森林图虽然不是专为识别发表偏倚而设计，但在荟萃分析中，也常用于展示研究的效应值及其置信区间。

研究人员通过观察效应值的分布，可判断是否缺少结果不显著的小样本研究，缺少则表明可能存在发表偏倚。

图片来源：https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/forest.html

Egger检验是用于量化评估漏斗图不对称性的统计学工具（参见论文《截距的Egger检验》）。Egger检验对效应估计值及其精度（即标准误差）进行加权回归分析。

Egger检验关注的是截距b。截距显著（p