{"id":21184,"date":"2020-12-12T15:49:59","date_gmt":"2020-12-12T14:49:59","guid":{"rendered":"https:\/\/www.mathsly.it\/wordpress\/?p=21184"},"modified":"2026-06-07T09:17:51","modified_gmt":"2026-06-07T07:17:51","slug":"funnel-plot-un-albero-di-natale-per-publication-bias","status":"publish","type":"post","link":"https:\/\/www.mathsly.it\/wordpress\/funnel-plot-un-albero-di-natale-per-publication-bias\/","title":{"rendered":"Funnel plot e publication bias"},"content":{"rendered":"\n

I funnel plot<\/strong> sono uno dei metodi statisticamente accettati per la valutazione dei publication bias<\/strong><\/em>. Determinare l’impatto di questa tipologia di bias<\/em> sull’attendibilit\u00e0 dei dati di una meta-analisi <\/a>\u00e8 di vitale importanza per capire la portata dei risultati.<\/p>\n\n\n\n

La meta-analisi<\/a><\/strong> \u00e8 uno degli strumenti pi\u00f9 performanti nell’ambito delle pubblicazioni scientifiche. Grazie alla capacit\u00e0 di condensare in poche informazioni una mole rilevante di dati provenienti da svariati studi, la meta-analisi riesce unitamente alla systematic review<\/a><\/strong><\/em> a dare forza alla sintesi delle informazioni scientifiche su un argomento.<\/p>\n\n\n\n

\n\n\n\n

Publication Bias<\/h2>\n\n\n\n

Gli studi scientifici possono essere affetti, in modo pi\u00f9 o meno marcato, da bias<\/em>. Nel caso delle meta-analisi, una delle tipologie pi\u00f9 diffuse di bias<\/em> \u00e8 quella legata alle pubblicazioni effettivamente rintracciate ed incluse nell’analisi, effetto noto come publication bias <\/em>o reporting bias<\/em>.<\/p>\n\n\n\n

Sebbene i moderni strumenti di ricerca abbiano aumentato la capacit\u00e0 di ciascuno nel ricercare articoli su un determinato argomento, la ricerca condotta non \u00e8 mai completamente esauriente. Le banche dati forniscono una quantit\u00e0 impressionante di informazioni e di studi, ma mancano nel fornire informazioni circa una particolare categoria di studi: gli studi non pubblicati.<\/p>\n\n\n\n

Origine dei publication bias<\/h3>\n\n\n\n

Gli studi che \u00e8 possibile rintracciare sono sempre e solo quelli pubblicati su riviste scientifiche, manuali specializzati oppure presentati in meeting ed incontri. Insomma gli studi a disposizione per la meta-analisi sono sempre e solo quegli studi che hanno avuto qualche tipo di riconoscimento pubblico.<\/p>\n\n\n\n

A fronte di questa mole di dati pubblici, molti altri studi scompaiono e sono accantonati nei cassetti degli ideatori. Specialmente quelli che non ottengono risultati statisticamente significativi.<\/p>\n\n\n\n

Ne consegue pertanto che essendo la meta-analisi condotta essenzialmente su studi pubblicati, essa risente della mancanza degli studi non pubblicati. Questo si concretizza nel problema noto come publication bias<\/em>, ossia bias<\/em> prodotti dalla mancanza di tutte le pubblicazioni effettivamente condotte su un determinato argomento.<\/p>\n\n\n\n

Publication bias: quanto \u00e8 serio il problema<\/h3>\n\n\n\n

Sulla portata di questi bias <\/em>molto \u00e8 stato discusso. Qualche anno fa, un’a ‘aspra contesa – per dirla al modo di Omero – \u00e8 sorta proprio sui publication bias<\/em>. Alcuni autori sostenevano che se qualcosa non \u00e8 pubblicato, allora non pu\u00f2 produrre bias<\/em> in quanto manca di qualit\u00e0 tale da essere accettato dalla comunit\u00e0 scientifica.<\/p>\n\n\n\n

Tale posizione \u00e8 stata immediatamente contestata e smentita in quanto non \u00e8 assolutamente provato il rapporto tra stato della pubblicazione e qualit\u00e0 dello studio. Si pensi ad esempio a tutti quei laureati che dopo aver eseguito un’ottima tesi di laurea non seguono un percorso accademico e di ricerca. Costoro non pubblicano il proprio lavoro e quindi uno studio mancher\u00e0 alla meta-analisi!<\/p>\n\n\n\n

La domanda che ci poniamo \u00e8: Come quantificare i publication bias<\/em> del nostro studio se non sappiamo quanti studi non<\/strong> sono stati pubblicati<\/strong>? <\/p>\n\n\n\n

La domanda somiglia un p\u00f2 alla celebre affermazione del grande Tot\u00f2: “Ma, dico, se i milanesi, a Milano, quando c\u2019\u00e8 la nebbia, non vedono, come si fa a vedere che c\u2019\u00e8 la nebbia a Milano?”<\/p>\n\n\n\n

Non avendo un Mezzacapa a darci notizie, ricorriamo a procedure statistiche che ci consentono di conoscere e tener presente l’impatto degli studi non pubblicati sui risultati della nostra meta-analisi.<\/p>\n\n\n\n

Cosa sono i funnel plot<\/h3>\n\n\n\n

La procedura pi\u00f9 nota \u00e8 quella relativa alla costruzione dei funnel plot<\/em>. Il funnel plot<\/em> \u00e8 un grafico “ad imbuto” (funnel <\/em>appunto). Per alcuni autori esso \u00e8 anche definito Christmas Tree<\/em> (ed ecco la nostra copertina per Natale) e ci\u00f2 a seguito della sua forma appunto ad albero di Natale. <\/p>\n\n\n\n

\"\"
Grafico Elaborato con STATA16<\/figcaption><\/figure>\n\n\n\n

In termini tecnici, il funnel plot<\/em> \u00e8 un grafico in grado di mostrare la relazione tra la dimensione degli studi e l’effect size<\/em> (vedi articolo su meta-analisi<\/a> per la definizione).<\/p>\n\n\n\n

Tradizionalmente, il funnel plot<\/em> \u00e8 tracciato plottando l’effect size<\/em> sull’asse delle ascisse (asse x) ed la dimensione del campione o la varianza sull’asse delle ordinate (asse y). <\/p>\n\n\n\n

Tuttavia, esistono alcune variazioni nella costruzione del funnel plot<\/em>, molto in uso nei tempi recenti. Esse utilizzano l’errore standard al posto della dimensione del campione, cos\u00ec da distribuire in modo pi\u00f9 ampio gli studi posti nella parte bassa del plot. Il vantaggio che ne deriva \u00e8 una pi\u00f9 facile lettura ed interpretazione del plot stesso.<\/p>\n\n\n\n

Funnel plot analysis: come si legge<\/h3>\n\n\n\n

Gli studi con i campioni pi\u00f9 ampi si trovano posizionati nella parte pi\u00f9 alta del funnel plot<\/em> e generalmente sono collocati intorno all’effect size<\/em> medio. Gli studi con piccoli campioni si trovano nella parte inferiore del grafico e tendono a distribuirsi orizzontalmente. <\/p>\n\n\n\n

Se la distribuzione degli studi \u00e8 simmetrica, molto probabilmente la meta-analisi non presenta problemi di publication bias<\/em>. <\/p>\n\n\n\n

Segni di publication bias<\/em> sono: asimmetria nella distribuzione degli studi, marcata distribuzione degli studi con campioni maggiori nella parte alta, degli studi con campioni pi\u00f9 piccoli nella parte bassa, e mancanza di studi nella parte mediana e sopratutto non intorno all’effect size<\/em> medio.<\/p>\n\n\n\n

Quando \u00e8 necessario tracciare i funnel plot<\/h3>\n\n\n\n

I funnel plot<\/em> sono sempre necessari per qualsiasi meta-analisi. La mancanza di tale valutazione comporta una perdita di valore del lavoro condotto, anche quando non vi sono bias<\/em>.<\/p>\n\n\n\n

Per quanto accurato e preciso, uno studio senza funnel plot<\/em> \u00e8 come una regressione<\/a> senza controlli post. Insomma \u00e8 un risultato senza prova di attendibilit\u00e0. <\/p>\n\n\n\n

I funnel plot<\/em> sono il primo step per cominciare ad indagare sui publication bias<\/em>. Data la natura di grafico, l’interpretazione del funnel plot<\/em> \u00e8 altamente soggettiva. Si tratta prevalentemente di uno strumento esplorativo sul problema. Ogni analisi deve essere necessariamente accompagnata da ulteriori indagini di tipo quantitativo, quali Egger’s regression<\/em> o trim and fill procedure<\/em>.<\/p>\n\n\n\n

Conclusione<\/h2>\n\n\n\n

Dopo aver scelto gli studi ed aver calcolato l’effect size<\/em> e tracciato i forest plot<\/em>, l’ultimo tassello del tuo studio quantitativo \u00e8 l’analisi dei publication bias<\/em>. La portata delle conclusioni del tuo lavoro sar\u00e0 importante e degna di pubblicazione nella misura in cui sarai in grado di dimostrare di aver tenuto conto anche di questa tipologia di bias<\/em>. Tra tanti studi che non vengono pubblicati, una meta-analisi ben fatta eviter\u00e0 di produrre un altro studio non pubblicato.<\/p>\n\n\n\n

\n\n\n\n