Meta Análise Exemplo Em Stata Forex

METAN: módulo Stata para meta-análise de efeitos fixos e aleatórios. Essas rotinas fornecem instalações para realizar meta-análises de dados de mais de um estudo e para representar os resultados. Os dados binários (eventos) ou contínuos de dois grupos podem ser combinados usando o comando metan. Além disso, as estimativas de efeito de intervenção com erros padrão ou intervalos de confiança correspondentes podem ser meta-analisadas. As instalações recentemente adicionadas incluem o processamento () e uma atualização para os gráficos do Stata 9. Esta é uma versão atualizada do metan, conforme publicado no STB-44, de Michael J Bradburn, Jonathan J Deeks, Douglas G Altman. O pacote inclui um comando para produzir gráficos de funil para avaliar pequenos efeitos de estudo e os gráficos de LAbbe para examinar se a hipótese de um odds ratio comum, taxa de risco ou diferença de risco é razoável. Também está incluído o programa metannt para dados binários, que apresenta efeitos de intervenção estimados em termos de redução absoluta de risco e número necessário para tratar. Uma descrição dos comandos de meta-análise Stata disponíveis pode ser encontrada em statasupportfaqsstatmeta. html. Se você tiver problemas ao fazer o download de um arquivo, verifique se você possui o aplicativo apropriado para vê-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Seja paciente porque os arquivos podem ser grandes. Componente de software fornecido pelo Departamento de Economia da Boston College em sua série de Componentes de Software Estatístico com o número S456798. Ao solicitar uma correção, mencione o identificador desses itens: RePEc: boc: bocode: s456798. Veja informações gerais sobre como corrigir o material no RePEc. Para questões técnicas relativas a este item, ou para corrigir seus autores, títulos, resumo, informações bibliográficas ou de download, entre em contato: (Christopher F Baum) Se você é o autor deste item e ainda não está registrado no RePEc, encorajamos você a fazê-lo aqui . Isso permite vincular seu perfil a este item. Ele também permite que você aceite citações em potencial para este item sobre o qual não temos certeza. Se as referências estiverem completamente ausentes, você pode adicioná-las usando este formulário. Se as referências completas listarem um item presente no RePEc, mas o sistema não o fez, você pode ajudar com este formulário. Se você souber de itens faltantes citando este, você pode nos ajudar a criar esses links, adicionando as referências relevantes da mesma maneira que acima, para cada item referente. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações em seu perfil, pois pode haver citações em espera de confirmação. Observe que as correções podem levar algumas semanas para filtrar os vários serviços do RePEc. Mais serviços Siga as séries, revistas, autores aprofundar mais Novos artigos por e-mail Inscreva-se para novas adições ao RePEc Inscrição do autor Perfis públicos para pesquisadores de economia Vários rankings de pesquisa em campos relacionados à economia de amplificadores Quem foi um estudante de quem, usando RePEc RePEc Biblio Curated artigos amp Artigos sobre vários temas econômicos Carregar o seu papel para ser listado em RePEc e IDEIAS EconAcademics Blog agregador para pesquisa econômica Plágio Casos de plágio em Economia Papéis do mercado de trabalho RePEc série de trabalho dedicada ao mercado de trabalho Fantasy League Fingir que você está no comando de uma economia Departamento de Serviços da StL Fed Data, pesquisa, aplicativos mais do St. Louis FedAnna Chaimani 1, Dimitris Mavridis 1. 2, Georgia Salanti 1 1 Departamento de Higiene e Epidemiologia. Faculdade de Medicina da Universidade de Ioannina. Ioannina. Grécia 2 Departamento de Educação Primária. Universidade de Ioannina. Ioannina. Grécia Correspondência para a Dra. Anna Chaimani, achaiman cc. uoi. gr A síntese estatística dos achados da pesquisa via meta-análise é amplamente utilizada para avaliar a eficácia relativa das intervenções concorrentes. Uma série de três artigos destinados a familiarizar os cientistas da saúde mental com os principais conceitos estatísticos e problemas na meta-análise foi recentemente publicado nesta revista. Um trabalho centrou-se na seleção e interpretação do modelo apropriado para sintetizar os resultados (modelo de efeitos fixos ou efeitos aleatórios), enquanto os outros dois trabalhos focaram em duas ameaças principais que comprometem a validade dos resultados da meta-análise, nomeadamente o viés de publicação e os dados de resultados perdidos . Neste artigo, fornecemos orientação sobre como realizar meta-análises usando o Stata, um dos pacotes de software mais utilizados para meta-análise. Abordamos os três tópicos abordados nos números anteriores da revista, com foco em sua implementação em Stata usando um exemplo de trabalho da pesquisa em saúde mental. Introdução As revisões sistemáticas e as meta-análises são muitas vezes consideradas uma fonte confiável de evidências para informar as decisões sobre a eficácia e a segurança das intervenções concorrentes.1 A validade dos resultados de uma meta-análise depende de vários fatores, como a completude da sistemática Revisão, a plausibilidade dos pressupostos realizados, o risco de parcialidade nos estudos individuais e o potencial de preconceitos de relatórios. Neste artigo, focalizamos as considerações estatísticas envolvidas no processo de meta-análise e analisamos um exemplo de saúde mental em Stata.2 As considerações teóricas e conceituais dos métodos que implementamos foram abordadas nos artigos recentemente publicados35 e sugerimos o uso desses Papéis como companheiros ao ler este manuscrito. Mais especificamente, neste artigo, apresentamos comandos Stata: para realizar uma meta-análise fixa ou aleatória. Antes de realizar as análises estatísticas, os meta-analistas devem considerar o modelo apropriado (efeitos fixos ou aleatórios) para o cenário clínico específico e resultados de interesse e depois interpretar o resultado à luz da magnitude da variabilidade entre estudos ( Heterogeneidade) 3. 6 Para dar conta dos dados de resultados perdidos. Os participantes com dados de resultados perdidos podem afetar tanto a precisão quanto a magnitude do efeito de resumo meta-analítico, o último pode ocorrer quando a probabilidade de falta está relacionada à eficácia das intervenções comparadas5. Para explorar e explicar o viés de publicação e estudo pequeno. Efeitos .4 O viés da publicação ocorre quando a publicação dos resultados da pesquisa depende de sua natureza e direção.7 A falta de contabilização dos estudos não publicados pode levar a estimativas sumárias tendenciosas a favor de um dos dois tratamentos concorrentes (isto é, geralmente o mais ativo ou o mais novo Intervenção) .8 Métodos e rotinas Stata Nas seções a seguir, fornecemos um exemplo de meta-análise de efeitos aleatórios e aleatórios usando o comando metan.9 Usamos o comando metamiss10 para explorar o impacto de diferentes pressupostos sobre o mecanismo de dados faltantes no Efeito de resumo. Nós empregamos diferentes abordagens e ferramentas para avaliar se o viés de publicação provavelmente funcionará usando os comandos metafunnel, 11 confunnel, 12 metatrim13 e metabias.14 Como exemplo de trabalho, usamos uma revisão sistemática que compreende 17 ensaios que comparam haloperidol e placebo para o tratamento Dos sintomas da esquizofrenia. Este conjunto de dados foi utilizado anteriormente para avaliar o impacto de dados faltantes sobre os resultados clínicos15 e é originalmente baseado em uma revisão Cochrane.16 O resultado do interesse é a melhoria clínica e os índices de risco (RR) maiores do que 1 favorecem o haloperidol em relação ao placebo. De cada teste, temos a seguinte informação (tabela 1): Número de participantes que responderam no braço placebo (variável rp) e no braço haloperidol (rh) Número de participantes que não responderam em ambos os braços (fp, fh) Número Dos participantes que abandonaram e cujos resultados estão faltando (mp, mh). Número de sucessos (r), falhas (f) e participantes desaparecidos (m) para os 17 ensaios que comparam haloperidol e placebo para melhora clínica na esquizofrenia Realização de meta-análise de efeitos aleatórios e fixos e medição de heterogeneidade A metanálise em Stata pode ser realizada usando O comando metan. Para dados dicotômicos, o comando metan precisa de quatro variáveis ​​de entrada: metan rh fh rp fp Digitando isso, o software fornece o resumo RR de haloperidol versus placebo usando o modelo de efeito fixo de acordo com os pesos de Mantel-Haenszel.17 Os pesos de variância inversa podem Seja especificado através da opção fixedi ou randomi para uma análise de efeitos fixos ou aleatórios, respectivamente. Alterar o tamanho estimado do efeito é possível especificando as opções ou para OR e rd para a diferença de risco. A opção por () permite a definição de uma variável de agrupamento para os estudos incluídos e executa uma análise de subgrupos. Para dados contínuos, são necessárias seis variáveis ​​de entrada: o número total de participantes em cada braço, os valores médios eo SD para cada braço. A opção nostandard altera a medida de efeito estimada da diferença de média padronizada para diferença média. O comando fornece informações sobre a presença e a magnitude da heterogeneidade estatística através do teste Q, a medida I 2 e a estimativa da variância 2 da heterogeneidade (usando o método do estimador de momentos), que são fornecidos nos resultados de saída. Embora os I 2 e 2 estimados sejam rotineiramente relatados como valores fixos, eles não estão livres de incerteza em torno da estimativa média. O CI para a medida I 2 pode ser derivado usando o comando heterogi. Que requer a entrada da estatística Q da meta-análise e os graus de liberdade correspondentes (df, o número de estudos menos um): Até o momento, o comando metan não fornece uma IC para a magnitude da heterogeneidade (2). No entanto, permite avaliar o impacto da heterogeneidade no efeito de resumo através do intervalo preditivo, que é o intervalo dentro do qual o efeito de um estudo futuro deve ser constituído.18 O intervalo preditivo expressa a incerteza adicional induzida nas estimativas de estudos futuros Devido à heterogeneidade e pode ser estimado pela adição da opção rfdist no metan (sob o modelo de efeitos aleatórios). Muitas opções adicionais estão disponíveis (por exemplo, opções que manipulam a aparência do gráfico florestal), que podem ser encontradas no arquivo de ajuda do comando (digitando help metan). Explorando o impacto dos dados de resultados perdidos, o Stata possui um comando prontamente disponível chamado metamiss que permite a incorporação de diferentes pressupostos para o mecanismo de dados de resultados perdidos em uma meta-análise. Até o momento, o comando metamiss pode ser aplicado apenas para dados dicotômicos, mas atualmente está sendo estendido para atender resultados contínuos.19 A sintaxe é semelhante ao comando metan, mas requer também o número de participantes que abandonaram cada braço (ou seja, seis entradas Variáveis ​​são necessárias), bem como o método desejado de imputar informações para os dados em falta: metamiss rh fh mh rp fp mp, método de imputação Em geral, podemos assumir os seguintes cenários: Uma análise de caso disponível (ACA), que ignora os dados faltantes (Opção aca) e justifica a suposição aleatória aleatória O melhor cenário. Que impõe todos os participantes desaparecidos no grupo experimental como sucessos e no grupo de controle como falhas (opção icab) O pior caso. Que é o oposto do melhor cenário (opção icaw). As duas abordagens anteriores são métodos de imputação de nave, uma vez que não contam adequadamente a incerteza nos dados faltantes imputados. Os métodos que levam em consideração a incerteza nos dados imputados incluem: A análise Gamble-Hollis, 20, que infla a incerteza dos estudos usando os resultados das análises dos melhores e piores casos (opção gamblehollis) A falha informativa OU (IMOR ) Modelo, 15. 21 que relaciona dentro de cada grupo de estudo os resultados dos participantes observados e desaparecidos (opções imor () ou logimor ()) que permitem a incerteza na associação assumida (sdlogimor ()). Note-se que o comando metamiss sempre assume que o resultado é benéfico, portanto, para um resultado nocivo (por exemplo, eventos adversos), as opções icab e icaw darão o pior caso e melhor caso, respectivamente. Se não for possível assumir que os dados faltantes estão faltando aleatoriamente, o modelo IMOR é o método mais apropriado porque leva a incerteza dos dados imputados em conta.5 Esse modelo usa um parâmetro que relaciona as chances do resultado na falta Dados para as chances do resultado nos dados observados. Se este parâmetro não puder ser informado por opinião de especialistas, é prudente realizar uma análise de sensibilidade assumindo vários valores (por exemplo, se definimos as chances do resultado nos dados em falta ser duas vezes mais do que as probabilidades nos dados observados para o tratamento Bem como grupos de controle, nós formamos metamiss rh fh mh rp fp mp, imor (2)). Avaliando a presença de pequenos efeitos de estudo e o risco de viés de publicação As abordagens disponíveis para avaliar o risco de viés de publicação em uma meta-análise podem ser amplamente classificadas em duas categorias: (1) métodos baseados na associação de tamanhos de efeitos à sua precisão e ( 2) modelos de seleção. Nós nos concentramos no primeiro grupo de métodos, que foram implementados em Stata através dos comandos metafunnel, confunnel, metatrim e metabias. No entanto, os pesquisadores devem sempre lembrar que essa abordagem fornece informações sobre a presença de pequenos efeitos de estudo, que podem ou não estar associados a um viés de publicação genuíno.4 O comando metafunnel desenha o gráfico de funil padrão22 e requer duas variáveis ​​de entrada. Deixe logRR e selogRR ser as duas variáveis ​​que contêm os tamanhos de efeito observados em estudos e SEs. A sintaxe do comando metafunnel seria: metafunnel logRR selogRR A opção por () pode ser adicionada para exibir os estudos em subgrupos (usando diferentes formas e cores) de acordo com uma variável de agrupamento. Uma limitação do enredo de funil padrão é que não explica se a assimetria aparente deve-se ao viés de publicação ou a outros motivos, como a heterogeneidade genuína entre pequenos e grandes estudos ou diferenças no risco de linha de base dos participantes.4 Embudo reforçado com contorno Parcelas podem ser usadas em vez de áreas sombreadas foram adicionadas no gráfico para indicar se os estudos faltantes estão nas áreas de significância estatística (por exemplo, p valor lt.05) .23 Se estudos não significativos foram publicados, é improvável que A assimetria deve-se ao viés de publicação. O comando confunnel pode ser empregado para produzir este gráfico de funil modificado usando a mesma sintaxe com o comando metafunnel: confunnel logRR selogRR A medida da precisão do estudo plotada no eixo vertical (por exemplo, a variância em vez do SE) pode ser modificada através da opção Métrica (). Enquanto a opção extraplot () permite a incorporação de gráficos adicionais (como linhas de regressão, diagramas de dispersão alternativos, etc.) usando comandos Stata padrão. Alternativas ao diagrama de funil também foram implementadas no Stata.22 Mais especificamente, os modelos de regressão que consideram a magnitude do efeito em um ensaio relacionado com a sua precisão são muito populares. As metabias de comando podem se encaixar em quatro modelos de regressão diferentes: Eggers test22 (opção egger), Harbords test24 (opção harbord), Peters test25 (opção peter) e o teste de correlação de classificação por Begg e Mazumdar26 (opção begg). Para uma abordagem genérica em que os tamanhos do efeito do estudo (efeito) são regredidos em seus erros padrão (se) metabias effect se, model ou para metabias de dados dicotômicos rh fh rp fp, modelo em que o modelo define um dos quatro modelos descritos acima. Adicionar o gráfico de opções também fornece uma representação gráfica dos resultados. Observe que a linha de regressão estimada pelo teste de Eggers também pode ser adicionada ao gráfico de funil, adicionando a opção egger no comando metafunnel. O método de recorte e preenchimento visa estimar o efeito de resumo como se o enredo do funil fosse simétrico assumindo que o viés de publicação é a única explicação de assimetria. O método pode ser aplicado usando o comando metatrim com a seguinte sintaxe: metatrim effect se Especificar o funil de opção no metatrim dá o gráfico de funil preenchido estimado que inclui estudos publicados e não publicados. Um script Stata que produz todos os resultados descritos abaixo pode ser encontrado on-line em missoptima. project. uoi. grindex. phpour-research-projects. Metanálise de efeitos fixos e aleatórios Ajustamos efeito fixo, bem como modelos de efeitos aleatórios para fins ilustrativos. Usando o comando metan, realizamos ACAs para ambos os modelos e produzimos o gráfico florestal da figura 1. Geralmente, é enganoso focar no diamante ao interpretar os resultados de uma meta-análise de efeitos aleatórios, por exemplo, na presença de heterogeneidade excessiva O diamante muitas vezes não tem sentido. Gráfico florestal mostrando os resultados da meta-análise de efeitos aleatórios e aleatórios para os 17 ensaios que comparam haloperidol e placebo para melhora clínica na esquizofrenia (resultado: taxa de resposta) (RR, razão de risco). De acordo com a figura 1. ambos os modelos sugeriram que o haloperidol era estatisticamente significativamente mais efetivo do que o placebo no tratamento da esquizofrenia e, conforme esperado, a análise de efeitos aleatórios produzia IC maior. Apesar desta descoberta, o intervalo preditivo estimado cruzou a linha de nenhum efeito, o que implica que, em um estudo futuro, o placebo pode parecer mais eficaz do que o medicamento ativo. As estimativas específicas do estudo pareciam substancialmente heterogêneas (por exemplo, as IC dos seguintes estudos, Bechelli 1983 e Beasley 1996 não se sobrepuseram), portanto, a hipótese de efeito fixo pode não ser plausível para este conjunto de dados. Isso é suportado pelo teste Q, que sugeriu a presença de heterogeneidade (p0.038). A média da medida I 2, que mede a quantidade de heterogeneidade entre os estudos, sugeriu a presença de baixa heterogeneidade (41). Usando o comando heterogi, estimamos o CI para o I 2. que variou de 0 a 67, o que implica que a heterogeneidade era potencialmente nula para grande, mas não excessiva. Os dois modelos não diferiram apenas no nível de incerteza, mas também em relação à magnitude do efeito de resumo. Isso é muito comum quando há um efeito de estudo pequeno (ou seja, há uma associação entre o tamanho do efeito e o tamanho do estudo) porque o modelo de efeitos aleatórios atribui pesos relativamente maiores a estudos menores.4 De fato, em nosso exemplo, estudos menores (isto é, Estudos correspondentes a quadrados menores na figura 1) deram resultados mais favoráveis ​​para o haloperidol, enquanto estudos maiores estavam mais próximos do efeito nulo. Impacto dos dados de resultados perdidos Nós primeiro ajustamos uma análise de subgrupo (usando metan com a opção by ()) para investigar se estudos com e sem dados faltantes (em ambos os braços) produziram resultados diferentes. Esta análise baseou-se apenas nos dados observados e, portanto, em estudos com dados faltantes, o tamanho da amostra foi menor que o número de participantes randomizados. Um equívoco comum sobre as análises de subgrupos é que os resultados diferem entre subgrupos quando o efeito de resumo de um subgrupo é estatisticamente significativo e não para o outro. No entanto, a inferência nas diferenças de subgrupos deve basear-se em um teste de interação (ou seja, o teste para diferenças de subgrupos implementadas também em RevMantech. cochrane. orgrevman) que compara estatisticamente os dois subgrupos significam sua incerteza. As diferenças entre os subgrupos podem também ser identificadas visualmente, observando a sobreposição das ICs em suas estimativas de resumo.17 Na figura 2. os ensaios sem dados perdidos deram resultados mais favoráveis ​​para o haloperidol do que os ensaios com dados faltantes. Esse desacordo também foi estatisticamente significativo, pois o valor de p para o teste geral de heterogeneidade entre subgrupos (fornecido na saída de metan sob o modelo de efeito fixo) foi igual a 0,001. Portanto, é provável que a falta de dados nos ensaios afetou substancialmente os resultados, uma possível explicação é que houve uma alta taxa de abandono no grupo placebo devido à falta de eficácia, o que é bastante comum em ensaios em psiquiatria. Análise de subgrupos dos 17 ensaios que comparam haloperidol e placebo na esquizofrenia (resultado: taxa de resposta). Os estudos foram classificados de acordo com a presença ou ausência de dados de resultados perdidos em ambos os braços (RR, taxa de risco). Nós exploramos ainda mais o impacto dos dados perdidos, incorporando na análise diferentes pressupostos sobre o mecanismo de falta. Apresentamos os resultados do modelo de efeitos aleatórios (figura 3) e focamos as diferenças nos efeitos de resumo nos diferentes cenários. Sob as seis análises, o haloperidol pareceu funcionar melhor do que o placebo para a esquizofrenia. Houve pequenas diferenças nas estimativas pontuais entre os modelos IMOR e a análise de Gable-Hollis em comparação com o ACA. Ao contrário do resto dos métodos, essas duas abordagens não impõem dados e não inflacionam artificialmente o tamanho da amostra. O modelo IMOR aumentou a incerteza em estudos que, por sua vez, resultaram em uma ligeira redução de heterogeneidade. As mudanças na estimativa de resumo foram insignificantes. Sob os estudos de análise do ACA com grandes taxas faltantes, o placebo foi favorecido (figura 1). Os modelos IMOR reduziram esses estudos e a estimativa resumida média moveu-se ligeiramente para a direção da intervenção ativa. Rácios de risco de resumo (RRs) como estimados quando os dados faltantes são ignorados (caso disponível), por métodos de imputação da nave (melhor e pior caso) e por métodos que respondam adequadamente a incerteza nos dados perdidos (Gamble-Hollis e informativo Modelos de ausência OU (IMOR)). Ambos os modelos IMOR assumem que as chances do resultado nos dados faltantes são iguais às probabilidades nos dados observados (IMOR1 médio) e refletem a incerteza dessa suposição ao permitir um SD diferente do zero do parâmetro faltante. Compartilhamento de publicação e efeitos de estudo pequeno Diferentes estimativas de resumo entre modelos de efeitos aleatórios e aleatórios (figura 1) suscitaram preocupações de que os efeitos de estudo pequeno possivelmente operados em nosso exemplo, questionando a interpretação correta do efeito geral. Para explorar esta associação aparente entre o tamanho do efeito e o tamanho do estudo, empregamos uma série de abordagens gráficas e testes estatísticos (é importante notar que todos esses métodos possuem pouca potência e pelo menos 10 estudos são necessários para tirar conclusões) .17 O funil O gráfico na figura 4 foi bastante assimétrico e mostrou que estudos menores tendem a dar resultados enfatizando a eficácia do haloperidol. O entalhe de funil com contorno (figura 5) nos ajudou a distinguir entre viés de publicação e outras causas da assimetria. Ele mostrou que pequenos estudos foram encontrados não apenas nas áreas de significância estatística (área sombreada), mas também em áreas de significância não estatística (área branca), portanto, a assimetria poderia ter sido causada por vários fatores e não apenas por viés de publicação. Para avaliar a magnitude e a significância estatística da relação entre os tamanhos de efeitos observados e o tamanho dos estudos, corremos o modelo de meta-regressão de Eggers (tabela 2). O teste sugeriu que estudos menores tendem a dar resultados diferentes se comparados com ensaios maiores, já que a CI da intercepção não incluiu o valor zero. Resultados do teste de meta-regressão de Eggers que avaliam a presença de efeitos de estudo pequeno nos 17 ensaios que compararam haloperidol e placebo para melhora clínica em esquizofrenia Traço de funil incluindo os 17 estudos de haloperidol publicados na esquizofrenia (círculos) e os estudos não publicados (quadrados) como Estimado a partir do método trim-and-fill. A linha sólida corresponde ao ajustado pelo impacto do efeito de resumo do viés de publicação (logRR0.27) e a linha tracejada para o efeito de resumo que não contabiliza o viés de publicação (logRR0.45) (RR, taxa de risco). Discussão Junto com o rápido desenvolvimento metodológico da meta-análise, foram disponibilizadas diversas opções relevantes de software, permitindo a aplicação de diferentes modelos e a exploração de características que possam afetar os resultados. Usando um exemplo de trabalho, neste artigo, oferecemos um breve tutorial para pesquisadores e clínicos interessados ​​sobre o uso de Stata em meta-análise, destacando armadilhas comuns na interpretação de resultados (mais informações sobre o Stata podem ser encontradas em outros lugares) .27 Nossos achados Sugeriu que a presença de importantes efeitos de pequeno estudo, bem como os dados de resultados em falta em alguns ensaios, fizeram o efeito de resumo estimado não representativo para todo o conjunto de estudos. Incluindo na meta-análise, apenas os estudos com dados para todos os participantes randomizados não foram a abordagem recomendada, uma vez que a maior parte das evidências veio de ensaios com dados de resultados perdidos. A visão clínica dos resultados e dos tratamentos de interesse é necessária para fazer suposições razoáveis ​​para o mecanismo de dados faltantes e informar a escolha do modelo estatístico apropriado. Os resultados dos três modelos que explicaram a incerteza nos dados faltantes imputados (Gamble-Hollis e os dois modelos IMOR) foram semelhantes e, provavelmente, são as estimativas mais precisas do resumo RR. No entanto, o fato de ensaios pequenos e grandes terem resultados diferentes precisa ser explorado. Por exemplo, se o tamanho dos estudos foi associado a diferenças nas características da população em relação a alguns modificadores de efeito, então pode não haver um RR comum aplicável a todas as populações.