Meta Publication Bias: Funnel Plot + Egger's Test
Assess whether a meta-analysis has publication bias / small-study effects: draw the funnel plot (effect size vs standard error) and run Egger's linear-regression test of funnel symmetry. A clearly asymmetric funnel and an Egger intercept significantly different from 0 suggest possible publication bias. Calcul local dans le navigateur ; aucune donnée n'est envoyée. Use it alongside the meta-analysis tool.
① Saisir les études
One study per row: effect size standard error (space- or comma-separated). For ratio effects (OR/RR/HR), first take the natural log (lnOR, etc.) and use the SE on the log scale.
Mode d'emploi et méthodologie
Comment lire le funnel plot ?
Idéalement les points d'études s'éparpillent symétriquement autour de l'effet poolé en forme d'entonnoir inversé (études de haute précision en haut, faible précision plus étalées en bas). Une asymétrie (vide d'un côté) peut suggérer un biais de publication ou une petite-étude, mais d'autres causes (hétérogénéité vraie) existent aussi.
Que mesure le test d'Egger ?
Il régresse l'effet standardisé sur la précision et teste si l'intercept diffère de 0 — une asymétrie statistique du funnel. Un P significatif suggère une asymétrie, pas une preuve définitive de biais de publication ; interprétez avec le graphique et le contexte.
Comment saisir les effets en rapport (ratio) ?
Pour OR, RR, HR, saisissez le logarithme de l'effet (log OR, etc.) et son erreur-type ; ou saisissez l'effet et les bornes d'IC et laissez l'outil convertir. Les effets en différence (MD, RD) se saisissent directement sur l'échelle originale.
Combien d'études faut-il ?
Le funnel plot et le test d'Egger manquent de puissance avec peu d'études (souvent <10). Avec peu d'études, lisez surtout le graphique à titre exploratoire ; ne tirez pas de conclusion forte d'un seul test.
Collez le lien dans Slack, Teams, X ou LinkedIn — l’aperçu utilise la carte Open Graph de cette page.