Tracez la taille d'effet en fonction de l'erreur standard pour repérer un biais de publication dans votre méta-analyse — gratuit, dans le navigateur, prêt à exporter en quelques minutes.
Un funnel plot est un nuage de points utilisé en méta-analyse pour visualiser un éventuel biais de publication à travers un ensemble d'études. Chaque point représente une étude, positionnée selon sa taille d'effet sur l'axe des x et une mesure de précision — généralement l'erreur standard — sur l'axe des y, inversé pour que les études les plus grandes et les plus précises se retrouvent en haut.
En l'absence de biais de publication, un funnel plot doit ressembler à un entonnoir inversé à peu près symétrique : les petites études, avec de grandes erreurs standard, se dispersent largement en bas, tandis que les grandes études se regroupent étroitement autour de l'effet regroupé en haut. L'asymétrie d'un funnel plot — des points décalés d'un côté — est le signal visuel classique du biais de publication, même si une hétérogénéité réelle ou le hasard peuvent aussi la produire.
L'interprétation d'un funnel plot est plus fiable lorsqu'elle s'accompagne d'un test formel, comme le test d'Egger ou le test de Begg, plutôt que d'une simple inspection visuelle, car l'asymétrie peut être subtile avec moins d'une dizaine d'études. Les funnel plots à contours renforcés facilitent cette lecture en ombrant directement sur le graphique les zones de signification statistique.
Voyez à quoi ressemble un funnel plot avec une base de preuves symétrique, avec une asymétrie due à un biais de publication, et avec un ombrage de signification à contours renforcés.
Les études se répartissent également des deux côtés de l'effet regroupé — aucun signe visuel de biais de publication.
Les petites études se regroupent d'un seul côté, une signature classique de biais de publication ou d'effets liés à la petite taille des études.
Les zones ombrées p < 0,01, p < 0,05 et p < 0,10 montrent si l'asymétrie est portée par la signification statistique.
Deux entonnoirs de confiance permettent de repérer facilement les études qui sortent de la dispersion attendue.
Passez de données d'études brutes à un funnel plot prêt pour publication en quatre étapes.
Collez le nom, la taille d'effet et l'erreur standard (ou la variance) de chaque étude sous forme de tableau simple.
Laissez l'outil calculer automatiquement la moyenne pondérée à effet fixe, ou saisissez votre propre estimation regroupée.
Activez les lignes d'IC à 95 %, ajoutez un entonnoir à 99 %, ou activez l'ombrage à contours renforcés pour signaler les zones de signification.
Téléchargez le funnel plot terminé en SVG ou PNG et intégrez-le directement à la rédaction de votre méta-analyse.
Collez les tailles d'effet et les erreurs standard de vos études, et le funnel plot s'affiche instantanément avec l'effet regroupé et l'entonnoir de confiance déjà tracés.
Activez les limites d'intervalle pseudo-confiance à deux niveaux pour voir exactement quelles études sortent de la dispersion attendue.
Activez les contours de signification pour ombrer les zones p < 0,01, p < 0,05 et p < 0,10, afin que l'asymétrie liée à la signification statistique se remarque d'un coup d'œil.
Questions fréquentes sur la création et la lecture d'un funnel plot pour une méta-analyse.
Ce sont deux graphiques fondamentaux de la méta-analyse, mais ils répondent à des questions différentes.
Détecte le biais de publication à travers la base de preuves
Résume la taille d'effet et l'intervalle de confiance de chaque étude
Collez vos données d'étude et obtenez un funnel plot prêt pour publication en quelques minutes — gratuit, sans inscription.