--- title: "メタ分析（メタアナリシス）とは？やり方5ステップと異質性・出版バイアスの判断基準" url: "https://www.issoh.co.jp/column/details/6777/" published: 2025-05-16 updated: 2026-09-27 categories: ["データ分析・GA4"] publisher: "株式会社一創" --- # メタ分析（メタアナリシス）とは？やり方5ステップと異質性・出版バイアスの判断基準 メタ分析は、同じ問いを扱った複数の研究から効果量と標準誤差を取り出し、精度で重み付けして1つの推定値にまとめる統計手法です。ただし実務で結果を左右するのは、統合値そのものよりも「統合してよいか」「統合値をどこまで信じてよいか」の判断のほうです。この記事では、Glass（1976）の定義から実施の5ステップ、そのまま実行できるPythonコードによる統合計算、現行のCochrane Handbookが示す異質性と出版バイアスの判断基準までを一次資料の記述に沿って整理します。日本語の解説で広く流通している「I²が25%未満なら低異質性」「エグガー検定とトリム・アンド・フィル法でバイアスを補正する」という説明は、現行版の記述とずれています。 ## まとめ：メタ分析の定義と、実務で判断を誤りやすい4点 - メタ分析とは、複数研究の効果量を分散の逆数（精度）で重み付けして統合する統計手法です。この語はGlass（1976）が一次分析・二次分析と並ぶ第三の層として提唱しました。 - 固定効果とランダム効果の選択を、異質性の統計的検定の結果で決めてはいけません。Cochrane Handbook 10.10.4.1が「should never be made」と明記しています。 - I²の目安は0〜40%、30〜60%、50〜90%、75〜100%の4区間で、区間は意図的に重なっています。「25%未満は低、50%以上は高」という単一閾値の分類は現行版の記述ではありません。 - ランダム効果の要約推定値と95%信頼区間だけを示すのは不適切です。効果の散らばりは予測区間で示します。 - ファンネルプロットの非対称性検定は、原則として研究が10本以上あるときにのみ使うべき手法です。2020年にインデックスされたシステマティックレビュー300本のうち、この条件を満たすのは28%だけでした。 以下では、この4点の根拠と、手を動かして確かめるための計算コードを順に示します。 ## メタ分析とは：複数研究の効果量を精度で重み付けして統合する統計手法 メタ分析は、個々の研究が報告した効果量（群間差の大きさ）と、その推定の不確かさ（標準誤差）の2つだけを入力として使います。元の生データは必要ありません。研究ごとの標準誤差から重みを計算し、精度の高い研究に大きな重みを与えて加重平均を取る。これが計算の中身のすべてです。 イメージとしては、研究の数だけ参加者がいる会議の多数決に近いものです。ただし全員が同じ1票を持つのではなく、推定の精度が高い研究ほど大きな発言権を持ちます。誰にどれだけの発言権を与えるかを、標準誤差という測定済みの数字だけで機械的に決める。これが逆分散重み付けの考え方です。 統合によって得られるものは2つあります。1つは検出力の向上で、単独では有意にならない小規模研究群から効果を検出できます。もう1つは、研究間で結果がどれだけ食い違っているかを数量化できることです。実務ではむしろ後者の価値が大きく、統合値が有意かどうかより、研究間のばらつきをどう説明するかが結論の質を決めます。 ### 語の初出：Glassが1976年に示した研究の三層区分 語の初出は、Gene V. Glassによる論文「Primary, Secondary, and Meta-Analysis of Research」（Educational Researcher 5巻10号3〜8頁、1976年11月、doi:10.3102/0013189X005010003）です。Glassは研究データの分析を三層に区分しました。実験を実施した本人による元データの分析が一次分析、同じデータを別の問いで再分析するのが二次分析、そして複数の研究が出した分析結果そのものを統計的に分析するのがメタ分析です。 この区分が示すとおり、メタ分析の分析単位は被験者ではなく研究です。研究1本が1つの観測値になり、標本サイズにあたるのが研究本数です。研究が5本しかないメタ分析は、n=5の統計解析と同じ制約を負います。この記事で繰り返し出てくる「研究10本」という基準は、すべてこの制約から来ています。 ### システマティックレビュー・メタ研究との呼び分け システマティックレビューは、明確に定式化された問いに答えるため、明示的で体系的な方法により研究を収集・統合するレビュー全体を指します（PRISMA 2020声明の用語集による定義）。文献検索、選定、バイアス評価、統合、報告までの一連の作業がこれにあたります。メタ分析はそのうち、効果量を統計的に統合する方法を指す言葉です。なおPRISMA 2020は「統計的統合」をこれより広く定義し、P値の統合や効果の向きを数えるvote countingも含めています。メタ分析はその中の1つの方法という位置づけです。体系的な収集を伴わないメタ分析は、対象研究の選び方次第で結論が動くため信頼できません。 「メタ解析」「メタアナリシス」は同じものの表記ゆれです。医学領域では「メタアナリシス」、心理学・教育学では「メタ分析」が使われる傾向がありますが、指す内容に違いはありません。一方、名前の似た「メタ研究（meta-research）」は別物で、研究の実施や報告のあり方そのものを研究対象にする分野を指します。再現性の低さを調べる研究や、報告ガイドラインの遵守率を調べる研究がこれにあたります。 ## メタ分析のやり方：計画から解釈までの5ステップ 手順そのものは定型化されています。難所は最後の解釈で、そこに至る前の記録の取り方が解釈の自由度を決めます。 ### ステップ1：PICOによる問いの固定と、着手前のプロトコル登録 対象者（Population）、介入（Intervention）、比較対照（Comparison）、アウトカム（Outcome）の4要素で問いを書き下します。ここで「アウトカムは何をもって測るか」を1つに絞れないと、後で複数のアウトカムから都合のよいものを選ぶ余地が残ります。 そのうえで、検索を始める前にPROSPERO（システマティックレビューの国際登録簿）へプロトコルを登録します。登録の実質的な意味は、事前に決めた解析と、結果を見てから思いついた解析を第三者が区別できるようにすることです。サブグループ分析やモデル選択を事後に決めると、後述するとおり結論の信頼性が大きく下がります。 ### ステップ2：PRISMA 2020の27項目に沿った検索と選定の記録 データベースは1つでは足りません。医学系ならPubMed、Embase、CENTRAL、心理・教育系ならPsycINFO、ERIC、日本語文献ならCiNii Researchや医中誌Webを併用します。検索式は使用したデータベースごとに、実行日とヒット件数まで残します。 組み入れ基準は、ステップ1で書いたPICOの各要素をそのまま条件に落とします。除外基準は「PICOのどれを満たさないか」で書くと基準どうしの重複を避けられます。スクリーニングはタイトルと抄録による一次選抜と、全文による二次選抜に分け、除外理由は二次選抜の段階から件数ごとに記録してください。PRISMA 2020のフロー図が求めるのはこの粒度です。 報告の基準はPRISMA 2020声明です（Page MJ ほか、BMJ 2021;372:n71、2021年3月29日公表）。27項目のチェックリスト、抄録用のチェックリスト、そして新規レビュー用と更新レビュー用に分かれたフロー図で構成されます。2009年版も項目数は27でしたが、2020年版は研究の同定・選定・評価・統合の各方法の進展を反映して項目の構成と文言が全面的に再編されているため、2009年版のチェックリストで代用はできません。除外した文献は、除外理由ごとの件数をフロー図に残します。 ### ステップ3：効果量と標準誤差の2名独立抽出 抽出すべき最小限の値は、効果量の推定値とその標準誤差（または信頼区間）です。論文が平均と標準偏差しか報告していない場合は、そこから計算します。2名が独立に抽出し、食い違った箇所だけを突き合わせて解消してください。この二重化を省くと、単純な転記ミスが統合値に直接乗ります。 標準偏差が報告されず標準誤差だけがある、信頼区間しかない、中央値と四分位範囲しかない、といった論文は必ず出てきます。どう変換したかは変換式ごとに記録し、変換した研究を除いた感度分析ができるようにしておきます。 ### ステップ4：分散の逆数による重み付け統合 逆分散法では、研究iの重みを標準誤差の2乗の逆数（1÷SE²）とし、効果量の加重平均を取ります。標準誤差が小さい研究ほど重みは大きくなります。実質的にはサンプルサイズの大きい研究が結果を主導する、と考えて差し支えありません。具体的な計算は次章でコードとして動かします。 ### ステップ5：異質性と欠測エビデンスの評価 統合値が出たら、Q統計量、I²、τ²（研究間分散）、予測区間を確認します。研究が10本以上あれば、ファンネルプロットの非対称性も併せて検討します。ここで見るのは「統合値が有意かどうか」ではなく、「この統合値が次の研究にも当てはまりそうか」です。 ## 効果量の選び方：アウトカムの型による絞り込み 効果量の種類は、統合したいアウトカムが連続量か二値かで自動的に絞られます。迷うのは連続量のときだけです。 | 効果量 | アウトカム | 使う場面 | 統合時の扱い | | ----------- | ----- | ---------- | -------------- | | 平均差（MD） | 連続 | 全研究が同一尺度 | そのまま統合 | | 標準化平均差（SMD） | 連続 | 尺度が研究ごとに違う | Hedges’ gを推奨 | | オッズ比（OR） | 二値 | 症例対照研究・RCT | 対数変換して統合 | | リスク比（RR） | 二値 | コホート研究・RCT | 対数変換して統合 | | リスク差（RD） | 二値 | 絶対効果を示したい | そのまま統合（NNT算出可） | | ハザード比（HR） | 生存時間 | 打ち切りがある | log HRとSEが必要 | 尺度が研究ごとに違うときは標準化平均差を使います。ここで注意したいのがCohen’s dの偏りです。標本が小さいと効果量を系統的に過大推定してしまう指標なので、そのまま統合すると小規模研究が結果を押し上げます。この偏りを補正したものがHedges’ gです。自由度が小さいほど補正の効きは大きくなります。次章のコードには、この補正係数を組み込んであります。 ## Pythonで動かす統合計算：固定効果とランダム効果の差 統合の計算に特別なライブラリは要りません。標準ライブラリのmathだけで完結します。以下のコードは実際に実行し、出力をそのまま掲載しています（実行環境はPython 3.14.6）。数値は説明のために用意した架空の5研究です。 ### 2群の平均・標準偏差からのHedges’ g算出 ``` # 2群の平均・標準偏差からCohen's dとHedges' gを求める import math studies = [ # 説明用の架空データ。実在の研究ではありません # (研究名, 介入群n, 介入群平均, 介入群SD, 対照群n, 対照群平均, 対照群SD) ("Study A", 40, 12.4, 3.1, 38, 10.9, 3.4), ("Study B", 25, 11.8, 2.9, 27, 11.2, 3.0), ("Study C", 120, 13.1, 3.6, 118, 11.5, 3.5), ("Study D", 18, 15.2, 4.2, 20, 11.1, 3.8), ("Study E", 60, 11.4, 3.3, 62, 11.6, 3.2), ] print("study n1 n2 d g SE(g)") for name, n1, m1, s1, n2, m2, s2 in studies: df = n1 + n2 - 2 # 合併標準偏差 sp = math.sqrt(((n1 - 1) * s1 ** 2 + (n2 - 1) * s2 ** 2) / df) d = (m1 - m2) / sp # Hedges' gの小標本補正 j = 1 - 3 / (4 * df - 1) g = j * d var_d = (n1 + n2) / (n1 * n2) + d ** 2 / (2 * (n1 + n2)) se_g = j * math.sqrt(var_d) print(f"{name:8s}{n1:4d}{n2:5d}{d:8.3f}{g:8.3f}{se_g:11.3f}") ``` 実行結果です。 ``` study n1 n2 d g SE(g) Study A 40 38 0.462 0.457 0.227 Study B 25 27 0.203 0.200 0.274 Study C 120 118 0.451 0.449 0.131 Study D 18 20 1.027 1.005 0.338 Study E 60 62 -0.062 -0.061 0.180 ``` Study Dは各群18名・20名と小さく、Cohen’s dの1.027に対しHedges’ gは1.005まで下がります。標本が大きいStudy C（120名・118名）では0.451と0.449でほとんど差がありません。小標本ほど補正が効くというのはこの差のことです。 ### 固定効果・ランダム効果・I²・予測区間の一括計算 ``` # 効果量と標準誤差から固定効果モデルとランダム効果モデルの統合値を求める import math # effect_size.pyが出力したHedges' gとSE(説明用の架空データ。実在の研究ではありません) data = [ ("Study A", 0.457, 0.227), ("Study B", 0.200, 0.274), ("Study C", 0.449, 0.131), ("Study D", 1.005, 0.338), ("Study E", -0.061, 0.180), ] k = len(data) # 固定効果モデル: 重みは分散の逆数 w = [1 / se ** 2 for _, _, se in data] y = [g for _, g, _ in data] sum_w = sum(w) fe = sum(wi * yi for wi, yi in zip(w, y)) / sum_w se_fe = math.sqrt(1 / sum_w) # Cochran's Qと I^2 q = sum(wi * (yi - fe) ** 2 for wi, yi in zip(w, y)) df = k - 1 i2 = max(0.0, (q - df) / q) * 100 # DerSimonian-Laird法による研究間分散tau^2 c = sum_w - sum(wi ** 2 for wi in w) / sum_w tau2 = max(0.0, (q - df) / c) # ランダム効果モデル: 重みに研究間分散を加える wr = [1 / (se ** 2 + tau2) for _, _, se in data] sum_wr = sum(wr) re = sum(wi * yi for wi, yi in zip(wr, y)) / sum_wr se_re = math.sqrt(1 / sum_wr) print("各研究の重み (固定効果 / ランダム効果, 単位%)") for (name, g, se), wi, wri in zip(data, w, wr): print(f" {name:8s} g={g:6.3f} {wi / sum_w * 100:5.1f}% {wri / sum_wr * 100:5.1f}%") print(f"\nQ = {q:.3f} (df={df}) I^2 = {i2:.1f}% tau^2 = {tau2:.4f}") print(f"固定効果 : {fe:.3f} 95%CI [{fe - 1.96 * se_fe:.3f}, {fe + 1.96 * se_fe:.3f}]") print(f"ランダム効果 : {re:.3f} 95%CI [{re - 1.96 * se_re:.3f}, {re + 1.96 * se_re:.3f}]") # 予測区間: Cochrane Handbook 10.10.4.3の式。自由度k-1のt分布の97.5%点を使う # (k=5なのでdf=4, その値は2.776) t = 2.776 pi = t * math.sqrt(tau2 + se_re ** 2) print(f"95%予測区間 : [{re - pi:.3f}, {re + pi:.3f}]") ``` 実行結果です。 ``` 各研究の重み (固定効果 / ランダム効果, 単位%) Study A g= 0.457 14.9% 19.6% Study B g= 0.200 10.2% 16.3% Study C g= 0.449 44.6% 27.8% Study D g= 1.005 6.7% 12.8% Study E g=-0.061 23.6% 23.5% Q = 10.053 (df=4) I^2 = 60.2% tau^2 = 0.0654 固定効果 : 0.342 95%CI [0.170, 0.513] ランダム効果 : 0.361 95%CI [0.064, 0.658] 95%予測区間 : [-0.464, 1.187] ``` ### 出力の読み方：重みの移動と、ゼロをまたぐ予測区間 まず重みを見てください。最大規模のStudy Cは固定効果では44.6%を占めますが、ランダム効果では27.8%まで下がります。逆に最小規模のStudy Dは6.7%から12.8%へほぼ倍増しました。理由はモデルの構造にあります。ランダム効果モデルは研究間分散τ²を全研究の分散に一律に加えるため、もともと分散の小さい大規模研究ほど重みの目減りが大きくなるのです。小規模研究の影響力が相対的に上がるという性質は、小規模研究に偏りがあるときに効いてきます。 次に区間です。統合値そのものは0.342から0.361へわずかしか動きません。しかし95%信頼区間は\[0.170, 0.513\]から\[0.064, 0.658\]へ、幅が0.343から0.594へ広がります。どちらのモデルでもゼロを含まないため、「効果あり」という結論は変わりません。 問題は最後の行です。95%予測区間は\[-0.464, 1.187\]で、ゼロをまたいでいます。予測区間は「次に同種の研究を1本実施したとき、その研究の真の効果がどの範囲に入るか」を示す区間で、Cochrane Handbook 10.10.4.3の式（自由度k−1のt分布の97.5%点。研究5本なので自由度4、値は2.776）で計算しています。この例では、次の研究で効果が逆向きに出る可能性を排除できません。統合値0.361が有意であることと、次の研究で効果が出ることは別の話です。 Cochrane Handbook 10.10.4.2は、ランダム効果メタ分析の要約推定値と信頼区間だけを単独で引用し、それで十分な要約として提示することを「This is inappropriate.（不適切である）」と明記しています。信頼区間が示すのは効果の分布の中心がどこにあるかであって、分布の幅ではないからです。予測区間を併記しないメタ分析の結論は、それだけで割り引いて読む必要があります。 ## 固定効果とランダム効果の選び分け：異質性の検定で決めない理由 日本語の解説では「異質性が小さければ固定効果、大きければランダム効果」と書かれることがあります。この手順は現行のCochrane Handbookが明確に否定しています。10.10.4.1の記述は「The choice between a fixed-effect and a random-effects meta-analysis should never be made on the basis of a statistical test for heterogeneity.（固定効果とランダム効果の選択を、異質性の統計的検定に基づいて行ってはならない）」です。neverという語が使われています。 理由は検定の性質にあります。Q検定の検出力は研究数に強く依存し、研究が少なければ実質的な異質性があっても有意になりません。逆に研究が多ければ、実務上は無視できる程度の差でも有意になります。つまり検定結果はおおむね研究本数の関数であって、モデルの前提が満たされるかどうかの判定にはなりません。 ではどう決めるか。答えたい問いで決めます。「この研究群における典型的な効果はどれくらいか」を知りたいなら固定効果、「効果が研究ごとに分布しているとして、その分布の中心はどこか」を知りたいならランダム効果です。臨床設定や対象者が研究間で明らかに違うなら、統計量を見る前にランダム効果を選ぶ根拠があります。 実務上の運用は単純です。プロトコルの段階でどちらを主解析にするか決め、もう一方は感度分析として併記します。結果を見てから選び直すのは、有意になるほうを選ぶ操作と区別がつきません。 なお、固定効果モデルが置く「すべての研究が同一の真の効果を推定している」という仮定は、共通効果（common-effect）仮定、等価効果（equal-effects）仮定とも呼ばれます。Cochrane Handbook 10.3.1は、この仮定を置かなくても固定効果の計算結果を解釈する方法があること（Rice ら 2018）にも触れています。固定効果＝異質性ゼロの主張、という単純な対応ではありません。 ## 異質性I²の判断基準：25%・50%・75%という単一閾値との食い違い I²は、研究間で観測された効果量のばらつきのうち、偶然（標本誤差）ではなく異質性で説明される割合を百分率で示す指標です（Higgins & Thompson、Statistics in Medicine 21巻11号1539〜1558頁、2002年）。ここまでは日本語の解説とも一致します。食い違うのは解釈の目安です。 Cochrane Handbook 10.10.2が示す目安は次のとおりです。 | I²の範囲 | Cochrane Handbookの表現 | | -------- | ----------------------------------- | | 0%〜40% | 重要でないかもしれない（might not be important） | | 30%〜60% | 中程度の異質性を表すかもしれない（moderate） | | 50%〜90% | 相当な異質性を表すかもしれない（substantial） | | 75%〜100% | かなりの異質性（considerable） | 区間が重なっている点に注目してください。これは誤植ではなく、単一の閾値で機械的に分類させないための設計です。同節は「Thresholds for the interpretation of the I2 statistic can be misleading（I²の解釈のための閾値は誤解を招きうる）」と前置きしたうえでこの目安を示しています。前章の計算例で出たI²=60.2%は、「中程度」の区間と「相当」の区間の両方に入ります。どちらと呼ぶかは統計量だけでは決まりません。 同節は判断に使う材料を2つ挙げています。1つは効果の大きさと向き、もう1つは異質性があるという証拠の強さ（Q検定のp値やI²の信頼区間）です。研究数が少ないとI²自体の不確かさが大きくなる点も明記されています。効果の向きが全研究で揃っていてI²が60%の場合と、向きが割れていてI²が60%の場合では、実務上の意味がまったく違います。 もう1つ押さえておくべき性質があります。I²は割合であって、ばらつきの絶対量ではありません。各研究の精度が高い（サンプルサイズが大きい）ほど分母の標本誤差が小さくなるため、同じτ²でもI²は大きく出ます。大規模研究ばかりを集めたメタ分析でI²が高くなるのは、しばしばこの効果です。τ²と予測区間を必ず併記してください。統計的検定の考え方そのものを整理したい場合は[有意水準とは何か？統計的仮説検定における基本概念の解説](/column/details/6810/)を参照してください。 ### メタ回帰とサブグループ分析：異質性の原因説明に必要な研究数 異質性が見つかったら、次は原因の説明です。方法は2つあります。研究をあらかじめ定めた属性で分けて効果量を再計算するサブグループ分析と、研究レベルの共変量（平均年齢、投与量、追跡期間、出版年など）で効果量を回帰するメタ回帰です。 ここにも本数の制約があります。Cochrane Handbook 10.11.4は「Meta-regression should generally not be considered when there are fewer than ten studies in a meta-analysis.（メタ分析に含まれる研究が10本未満の場合、メタ回帰は一般に検討すべきでない）」としています。さらに10.11.5.1が引くのは、モデルに入れる共変量1つにつき10研究という通常の回帰分析の目安です。共変量が研究間で偏って分布している場合は、それでも足りないと補足されています。共変量を2つ入れるなら20本という計算になります。 そして最大の落とし穴は事後の探索です。Cochrane Handbook 10.10.3は、真に事前指定された解析からしか信頼できる結論は導けず、その場合でも慎重に解釈すべきだと述べています。異質性を見つけてから思いついたサブグループ分析は、せいぜい仮説の生成にしかなりません。結論として書いてはいけません。 ## 出版バイアス検定の適用条件：研究10本という下限 効果が有意だった研究のほうが出版されやすい、あるいは早く出版される。この偏りが統合値を上振れさせるのが出版バイアスです。ファイルドロワー問題とも呼ばれます。検出には効果量を横軸、標準誤差を縦軸に取ったファンネルプロットの左右対称性を見るのが定石で、統計的にはEggerの回帰検定などが使われます。 ただし適用条件があります。Cochrane Handbook第13章は、Sterneら（BMJ 2011;343:d4002）の推奨を採用し、ファンネルプロットの非対称性検定は「メタ分析に少なくとも10研究が含まれるときにのみ」使うべきだとしています。研究数がそれ未満では検定の検出力が低すぎるためです。加えて、研究のサイズが揃っている（標準誤差が似ている）場合は使うべきでないとも明記されています。 この条件は実際にはかなり厳しいものです。同章はNguyenら（2022）の調査を引き、2020年にインデックスされたシステマティックレビュー300本の無作為標本のうち、10研究以上のメタ分析を含むものは28%にとどまったと述べています。裏返せば、大半のメタ分析では非対称性検定そのものが適用できません。手持ちの研究が9本以下なら、検定を回して有意でなかったことを「出版バイアスは認められなかった」と書くのは誤りです。検定できなかった、が正しい記述になります。 非対称性が出た場合、原因は出版バイアスだけではありません。真の異質性（小規模研究ほど対象者を絞り込みやすい）、小規模研究の方法論的な質の低さ、人為的な相関（標準化平均差やオッズ比は推定値と標準誤差が数学的に相関するため見かけの非対称性が生じる）、そして偶然が考えられます。第13章の結論は明快で、ファンネルプロットの非対称性を非報告バイアスの存在に対する診断的な所見とみなすべきではない、としています。同章が挙げるのは、統計的有意性の等高線を重ねた輪郭強調ファンネルプロット（Petersら 2008）です。研究が欠けている領域が非有意な領域かどうかを見分けるための道具として使います。 使える検定の種類にも制限があります。同章は、最初に提案された素のEgger検定を、オッズ比と標準化平均差に適用することを推奨していません。これらの効果量は推定値と標準誤差が数学的に相関し、見かけの非対称性を生むためです。オッズ比についてはHarbordら（2006）とPetersら（2006）の方法がこの問題を回避します。前章の計算例のように標準化平均差を統合したときは、素のEgger検定ではなく、効果量の型に対応した検定を選んでください。なお、推奨されている非対称性検定はいずれもRevManに実装されていないため、別のソフトウェアが必要になります。 なお、日本語の解説では補正手法としてトリム・アンド・フィル法が紹介されることがありますが、メタ分析の統合と非報告バイアスを正面から扱う現行Cochrane Handbookの第10章・第13章には、この手法への言及がありません（両章の本文を検索して確認）。第13章が挙げるのは輪郭強調ファンネルプロットとメタ回帰による感度分析です。補正後の値を主結果として提示するのは避け、感度分析の1つとして扱ってください。 ## 統合値を出すべきでない4つの条件：メタ分析が答えを良くしない場面 メタ分析は研究の質を作り出しません。バイアスのある研究をいくら集めても、統合すると信頼区間が狭くなるぶん、誤った結論がより確からしく見えるだけです。ここでは、統合を見送るか、統合値の提示を控えるべき条件を挙げます。 第一に、研究が2〜3本しかないランダム効果モデルです。τ²の推定が極端に不安定になります。Cochrane Handbook 10.10.4.5が挙げる実例では、2研究のメタ分析でτ²=1.4037、I²=75.2%と推定され、Hartung-Knapp-Sidik-Jonkman法を使うと自由度1のt分布の97.5%点である12.71が乗数となり、信頼区間が実用にならないほど広がります。3研究の例でもτ²=2.5650、I²=90.3%と、いずれも推定が定まっていません。研究が数本のときは、統合値を出すよりも各研究を並べて記述するほうが誠実です。 第二に、予測区間がゼロをまたぐ場合です。前章の計算例がまさにそれでした。この状態で「統合の結果、有意な効果が示された」とだけ書くと、読者は次の研究でも同じ効果が出ると受け取ります。予測区間を併記し、効果の向きが安定していないことを本文で述べてください。 第三に、同じ被験者集団のデータが複数の論文に分散して報告されている場合です。気づかずに両方を組み入れると、同じ人のデータを二重に数えることになり、統合値の精度が実際より高く見積もられます。著者名と実施施設、登録番号、対象者数の一致を突き合わせて確認します。 第四に、事後に選んだサブグループの結果を主結論にする場合です。これは統合の問題ではなく解析計画の問題ですが、メタ分析で最も頻繁に起きる過剰主張です。事前登録した解析かどうかで、同じ数字の意味が変わります。 心理学領域では、単一の有名な実験が長く教科書に載り続けた後、多数の追試を統合した結果で効果の大きさが大幅に見直された例が複数あります。[プライミング効果とは？日常生活の具体例と追試でわかった効果の実際](/column/details/8767/)で扱っている社会的プライミングの追試状況は、統合結果が元の主張を覆した典型例です。メタ分析の価値は統合値そのものより、こうした検証の土台を与える点にあります。 そもそも統合しないという選択肢が、Cochrane Handbook 10.10.3に「Do not do a meta-analysis（メタ分析をしない）」という項目として明記されています。同節は、システマティックレビューがメタ分析を含む必要はなく、結果の変動が大きい場合、とりわけ効果の向きが研究間で一貫していない場合には、介入効果の平均値を示すこと自体が誤解を招きうると述べています。統合値を出さない判断は、手抜きではなく手順の一部です。 ## よくある質問 ### メタ分析とメタアナリシス、メタ解析は同じ意味ですか？ 同じ手法を指す表記ゆれで、内容に違いはありません。英語のmeta-analysisをそのままカタカナにしたものがメタアナリシス、訳語がメタ分析とメタ解析です。医学・疫学の論文では「メタアナリシス」「メタ解析」、心理学・教育学では「メタ分析」が使われる傾向があります。「統合解析」「統合分析」という語も見かけますが、こちらは個々の研究の生データを集めて1つのデータセットとして解析する統合解析（プール解析）を指す場合があり、効果量を統合するメタ分析とは手法が異なります。文脈で確認してください。 ### メタ分析とシステマティックレビューはどう違いますか？ 統計的統合を行ったかどうかが分かれ目です。体系的な検索と選定を経ていれば、統合の有無にかかわらずシステマティックレビューを名乗れます。効果量の統合まで行った場合に限り、論文タイトルで「システマティックレビューおよびメタ分析」と併記するのが慣例です。異質性が大きく統合を見送った場合、メタ分析は名乗れません。逆に、体系的な文献収集を経ずに手元の論文だけを統合したものは、メタ分析の計算をしていてもシステマティックレビューではなく、対象研究の選び方で結論が動きます。どちらの場合もPRISMA 2020のフロー図による選定過程の報告は必要です。 ### メタ分析には最低何本の研究が必要ですか？ 統合の計算自体は2本から可能ですが、10本が実質的な下限です。10本未満ではファンネルプロットの非対称性検定もメタ回帰も推奨されません（Cochrane Handbook 10.11.4、および第13章が採用するSterneら2011の推奨）。では足りないときはどうするか。統合値を出さずに、各研究の効果量と信頼区間を1つの表に並べて記述的に統合する方法があります。効果の向きだけを数えるvote countingという手法も存在しますが、研究の規模や精度を無視するため結論の根拠としては弱く、他に方法がない場合の選択肢です。研究が2〜3本のときは、無理に統合せず個別の結果を示すほうが読者に正確な情報が伝わります。 ### I²は何%以上なら異質性が高いと判断しますか？ 報告する指標を1つに絞らないのが答えになります。I²は割合なので、各研究の精度が高いほど同じばらつきでも大きく出ます。大規模研究ばかりを集めたメタ分析でI²が高いのは、効果の食い違いが大きいからとは限りません。逆に小規模研究ばかりならI²は低く出ます。Cochrane Handbook 10.10.2の目安（0〜40%、30〜60%、50〜90%、75〜100%）は区間が意図的に重なっており、単一の閾値で分類する使い方を想定していません。論文を読むときは、I²の数値だけでなくτ²（研究間分散の絶対量）と予測区間が報告されているかを見てください。この2つが無い論文は、効果の散らばりを読者が評価できない状態で結論だけを示していることになります。 ### 観察研究のメタ分析はRCTと同じように扱えますか？ 計算手順は同じでも、結果の重みづけは変わります。観察研究では交絡の調整方法が研究ごとに異なるため、統合値のばらつきが介入効果の違いではなく調整変数の違いを反映している可能性が残ります。統合前に、調整済み推定値と未調整推定値のどちらを使うかを揃えるのが最低条件です。報告ガイドラインについては、PRISMA 2020声明が「組み入れ研究のデザインを問わず適用できる」と明記しているため、観察研究のレビューでもPRISMAで報告します。これに加えて、観察研究のメタ分析にはMOOSEが用意されています。研究デザインが混在する場合は、デザイン別のサブグループに分けて示すのが安全です。 ## 関連記事 - [有意水準とは何か？統計的仮説検定における基本概念の解説](/column/details/6810/) - [因子分析とは？やり方・結果の見方を具体例でわかりやすく解説](/column/details/5496/) - [プライミング効果とは？日常生活の具体例と追試でわかった効果の実際](/column/details/8767/) - [プラシーボ効果（プラセボ効果）とは？思い込みで治る仕組みと限界・表記の違い](/column/details/8764/) - [マインドフルネスとは？意味・瞑想との違い・やり方と効果の根拠](/column/details/9199/) --- 出典: [メタ分析（メタアナリシス）とは？やり方5ステップと異質性・出版バイアスの判断基準]()（株式会社一創）