Публікаційне упередження: чому «позитивні» результати частіше стають видимими і як це спотворює картину доказів

23 вер.

Читати 15 хв

Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика

Публікаційне упередження (publication bias) виникає тоді, коли ймовірність того, що дослідження або окремий результат стане доступним для читачів і систематичного огляду, залежить від самого результату — наприклад, від статистичної значущості, величини чи напряму ефекту. Через це видима наукова література може систематично відрізнятися від усіх реально проведених досліджень. Сучасний Cochrane Handbook використовує ширше поняття non-reporting bias — упередження через неповідомлення результатів — тому що проблема не обмежується рішенням журналу «опублікувати або відхилити».

Наслідок простий і принциповий: якщо результати, що виглядають переконливо, «позитивно» або статистично значуще, частіше доходять до публікації, а нульові, невигідні чи суперечливі результати частіше залишаються невидимими, метааналіз може синтезувати не всю доказову базу, а відібрану її частину. Середній ефект тоді здатен бути завищеним, невизначеність — заниженою, а висновок про користь, шкоду або надійність психологічного твердження — надто впевненим.

Це не означає, що кожна асиметрична лійкова діаграма доводить приховані дослідження, що кожен незареєстрований проєкт є проблемним або що будь-який метааналіз із «позитивним» результатом упереджений. Публікаційне упередження оцінюють як ризик, використовуючи сукупність прямих і непрямих ознак: реєстри та протоколи, повноту пошуку, відомі пропущені результати, часові затримки, структуру малих і великих досліджень, статистичні тести та аналізи чутливості.

Коротка відповідь

Публікаційне упередження — це систематичний відбір доказів за результатом. Воно з’являється не лише на етапі рішення редакції журналу. Дослідник може не написати роботу з нульовим результатом; спонсор може не поширити невигідні дані; окремий результат усередині опублікованої статті може бути опущений; «цікаві» висновки можуть виходити швидше, англійською мовою або в помітніших журналах. Усі ці механізми змінюють те, що зрештою бачить оглядач.

Оновлений систематичний огляд емпіричних досліджень Dwan та співавторів виявив прямі свідчення як упередження публікації цілих досліджень, так і вибіркового повідомлення результатів. У включених когортних дослідженнях статистично значущі результати мали вищі шанси бути повністю повідомленими, а порівняння протоколів із публікаціями показували, що в значній частці робіт принаймні один первинний результат змінювався, додавався або зникав.

Для читача головне питання звучить не «чи виконали автори тест Еггера?», а «чи могла доступна сукупність досліджень систематично відрізнятися від проведеної сукупності — і наскільки висновок стійкий до цієї можливості?»

Чому термін «публікаційне упередження» вужчий за реальну проблему

У повсякденній мові publication bias часто уявляють як сюжет, де журнал любить сенсаційні результати й відхиляє нульові. Такий механізм можливий, але він лише один із багатьох. Сучасна методологія доказового синтезу розглядає весь шлях від завершеного дослідження до доступного результату.

Непублікація цілого дослідження

Дослідження може бути завершене, але його результати не переходять у доступну статтю, звіт, реєстр або репозитарій. Причина може виникнути на боці авторів, спонсорів, редакторів або поєднувати кілька етапів. Саме такий «файловий ящик» найчастіше мають на увазі, коли говорять про класичне публікаційне упередження.

Вибіркове повідомлення результатів усередині опублікованої роботи

Когортне дослідження Chan та співавторів порівнювало протоколи рандомізованих випробувань із пізнішими публікаціями. Воно показало, що проблема може виникати навіть тоді, коли сама стаття опублікована: частина запланованих результатів повідомляється неповно або не повідомляється, а статистично значущі результати мають вищу ймовірність повного представлення.

Вибіркове повідомлення аналізів

Один і той самий набір даних може підтримувати багато моделей, підгруп, виключень, часових точок та способів кодування. Якщо видимим стає лише аналіз, який дав бажаний результат, оглядач отримує відібрану картину. Це перетинається з аналітичною гнучкістю, але поняття слід розрізняти: p-hacking описує процес вибору або модифікації аналізу, а публікаційне упередження — відбір того, які дослідження або результати стають доступними для сукупності доказів.

Часове упередження

Результати можуть публікуватися з різною швидкістю. Якщо переконливі або статистично значущі висновки з’являються раніше, ранній метааналіз отримує тимчасово деформовану доказову базу. Тому «найсвіжіший доступний метааналіз» може бути методологічно акуратним і водночас передчасно впевненим.

Мова, місце публікації, індексація та помітність

Дослідження відрізняються шансом потрапити до баз даних, бути опублікованими мовою, якою шукає команда огляду, цитуватися іншими роботами або з’являтися в джерелах, які реально переглядають. Такі механізми належать до ширшої родини dissemination і non-reporting biases. Саме тому якісний систематичний огляд не обмежується одним журналом чи однією бібліографічною базою.

Що означає «позитивний результат»

Слово «позитивний» тут не означає «добрий для людини» або «корисний клінічно». У дослідженнях це часто результат, який підтримує основну гіпотезу, демонструє статистичну значущість, показує ефект у бажаному напрямі або виглядає достатньо новим і переконливим для поширення.

Статистична значущість при цьому не є мірою практичної, клінічної чи теоретичної важливості. p < .05 не повідомляє, наскільки великий ефект, наскільки точна його оцінка, чи повториться він у новій вибірці і чи вартий він зміни практики. Публікаційне упередження стає особливо руйнівним саме тоді, коли система відбору надмірно винагороджує дихотомію «значуще / незначуще».

Де саме виникає відбір: шлях від дослідження до видимої літератури

Упередження не має одного обов’язкового «винуватця». Корисніше бачити послідовність рішень.

• Дослідження завершується або зупиняється.

• Команда вирішує, які результати вважати основними і що взагалі готувати до публікації.

• Рукопис пишуть або відкладають.

• Роботу подають до журналу, репозитарію, конференції, реєстру чи іншого каналу.

• Редактори та рецензенти приймають рішення про подальший рух.

• Опублікована робота отримує певну мову, журнал, дату, індексацію і видимість.

• Автори систематичного огляду знаходять або не знаходять цей матеріал за власною стратегією пошуку.

Franco, Malhotra і Simonovits змогли простежити відому когорту 221 соціально-наукового дослідження й показали, що сильні результати значно частіше ставали написаними та опублікованими, а важлива частина відбору в цій когорті відбувалася ще до подання: автори рідше готували до публікації нульові результати. Це важливе нагадування: редактор журналу не є єдиним місцем, де формується «файловий ящик».

У дослідженні Turner та співавторів порівнювали дані FDA щодо 74 зареєстрованих випробувань антидепресантів із журнальними публікаціями. 31% досліджень не були опубліковані; за журнальною літературою 94% випробувань виглядали позитивними, тоді як оцінка FDA класифікувала як позитивні 51%. Загальний ефект за опублікованою літературою був приблизно на 32% більшим, ніж за повним набором FDA. Автори водночас прямо зазначили, що з цих даних не можна визначити, чи відбір виникав через неподання рукописів, редакційні рішення або обидва механізми.

Чому публікаційне упередження спотворює метааналіз

Метааналіз об’єднує доступні оцінки ефекту. Якщо відсутні дослідження є випадковою підмножиною, пропуски насамперед зменшують інформацію. Якщо ж імовірність видимості залежить від результату, пропуски стають систематичними: метааналіз отримує вибірку ефектів, сформовану механізмом відбору.

Уявімо десять однаково якісних досліджень. П’ять випадково отримали ефекти трохи вище істинного значення, п’ять — трохи нижче. Якщо нижчі або нульові оцінки рідше стають доступними, середній ефект опублікованих робіт зміщується вгору. Збільшення числа опублікованих досліджень саме по собі не виправляє проблему, якщо додаткові дослідження проходять той самий механізм відбору.

Модель випадкових ефектів також не є автоматичним захистом. Вона моделює неоднорідність ефектів між дослідженнями, але не відновлює невідомі результати, які систематично не потрапили до аналізу.

Наслідки можуть стосуватися не лише перебільшення користі. Якщо невигідні для певної гіпотези результати зникають, спотворення рухається в бік тієї версії доказів, яку легше оприлюднити. Для побічних ефектів селективне неповідомлення шкоди здатне створити надто оптимістичну картину безпеки.

Психологія: чому проблема особливо важлива для кумулятивної науки

Scheel, Schijen і Lakens порівняли 71 опублікований Registered Report зі 152 стандартними психологічними статтями, що перевіряли гіпотези. Перший заявлений результат підтримував гіпотезу приблизно у 44% Registered Reports і у 96% стандартних публікацій. Така різниця сама по собі не доводить, яка її частка спричинена саме публікаційним упередженням: автори розглядають також інфляцію помилки першого роду та інші механізми. Вона, однак, демонструє, наскільки відмінною може бути видима література, коли рішення про принципову прийнятність роботи приймають до того, як результат став відомим.

Для психології це має кумулятивний ефект. Теорії часто розвиваються через серії невеликих досліджень, де кожна окрема оцінка нестабільна. Якщо нульові й суперечливі результати систематично губляться, наступні дослідники планують роботи на завищених ефектах, метааналізи синтезують відібрану літературу, а навчальні тексти перетворюють умовний сигнал на нібито усталений факт.

Лійкова діаграма: що вона показує насправді

Funnel plot, або лійкова діаграма, зазвичай розміщує оцінку ефекту по горизонталі та міру точності чи стандартну похибку по вертикалі. За певних умов більші й точніші дослідження концентруються ближче до середньої оцінки, а менші мають ширший розкид, утворюючи приблизно симетричну перевернуту лійку.

Cochrane наголошує, що асиметрію треба інтерпретувати як можливі small-study effects — систематичну відмінність оцінок у малих і великих дослідженнях. Неповідомлення результатів є лише одним із можливих пояснень.

Чому асиметрія не дорівнює публікаційному упередженню

Рекомендації Sterne та співавторів прямо застерігають від такого ототожнення. Асиметрія може виникнути через справжню неоднорідність, відмінності методологічної якості, особливості метрики, випадковість, зв’язок розміру дослідження з популяцією або втручанням та інші причини.

Тому формулювання «лійкова діаграма асиметрична, отже доведено publication bias» є методологічно надмірним. Коректніше запитати, які механізми можуть пояснити small-study effects і чи узгоджується підозра на пропущені докази з іншою інформацією.

Чому симетрія теж не гарантує відсутності проблеми

За малої кількості досліджень графік має низьку інформативність. Пропущені результати можуть існувати без виразної геометричної асиметрії, а вибіркове неповідомлення окремих outcomes усередині доступних статей взагалі не обов’язково створює класичний «порожній кут» лійки.

Тест Еггера та інші тести асиметрії

Класична робота Egger та співавторів запропонувала регресійний тест асиметрії. Сьогодні його слід розуміти як тест small-study effects за певної моделі, а не як лабораторний аналіз, що безпосередньо виявляє приховані статті.

Статистично значущий тест асиметрії означає, що зв’язок між оцінкою ефекту та її точністю сильніший, ніж очікувалося б за нульовою моделлю тесту. Далі необхідно розібратися, чому виник цей зв’язок. Незначущий тест також не доводить, що публікаційного упередження немає: за невеликої кількості досліджень потужність таких тестів часто низька.

Вибір конкретного тесту залежить від типу ефекту, структури даних і статистичної моделі. Для бінарних результатів, неперервних результатів, різних метрик та істотної неоднорідності оптимальні підходи можуть відрізнятися. Тому «провести Egger test за замовчуванням» — слабший підхід, ніж спочатку визначити, що саме тестує метод у конкретному метааналізі.

Trim-and-fill: корисний аналіз чутливості, а не машина відновлення істини

Метод Duval і Tweedie оцінює асиметрію, умовно «обрізає» частину досліджень, переоцінює центр лійки та «додає» дзеркальні, статистично імпутовані результати. Він дає альтернативну сумарну оцінку, яка показує, наскільки висновок може змінитися за припущеннями методу.

Огляд Mavridis і Salanti підкреслює головне обмеження: trim-and-fill фактично трактує асиметрію як наслідок публікаційного упередження, хоча це припущення часто нереалістичне. Тому метод доцільно читати як аналіз чутливості, а не як «виправлений істинний ефект».

Звідси два правила. Перше: початкова й trim-and-fill оцінки не утворюють пару «неправильна / правильна». Друге: якщо висновок радикально залежить від припущення про пропущені малі дослідження, це сигнал крихкості доказів, який потребує змістової інтерпретації.

Selection models та аналізи чутливості

Моделі відбору намагаються явно моделювати механізм, через який імовірність спостереження дослідження залежить від його результату. Це концептуально ближче до самої проблеми publication bias, але результат залежить від припущень про форму відбору — а реальний механізм зазвичай невідомий.

Mavridis і Salanti описують selection models як моделі, де доступний набір досліджень розглядається як не випадкова вибірка з усіх проведених робіт. Практична цінність таких моделей полягає не в тому, щоб «вгадати» невидимі статті, а в тому, щоб перевірити, за яких правдоподібних сценаріїв відбору висновок метааналізу зберігається або руйнується.

Сильний аналіз чутливості ставить контрфактичне питання: наскільки сильним і яким саме мав би бути відбір, щоб змінити науково важливий висновок? Якщо невелика зміна припущень перевертає результат, впевненість має бути нижчою незалежно від того, чи вдалося назвати точну кількість «відсутніх» досліджень.

ROB-ME: оцінювання ризику упередження через пропущені докази

ROB-ME — спеціалізований інструмент для оцінювання ризику упередження через missing evidence у систематичних оглядах із метааналізом втручань. Його важлива перевага — фокус не лише на формі лійки, а на причинному питанні: чи могли цілі дослідження або результати всередині відомих досліджень залишитися недоступними залежно від P-значення, величини або напряму результату.

У практиці це повертає увагу до протоколів, реєстрів, звітів, інформації про заплановані outcomes і причин відсутності даних. Якщо оглядач знає, що в конкретних зареєстрованих дослідженнях певний результат вимірювали, але не повідомили, це пряміша інформація про missing evidence, ніж сама асиметрія графіка.

GRADE: публікаційне упередження знижує впевненість у сукупності доказів

GRADE розглядає publication bias як один із доменів, які можуть знижувати впевненість у сукупності доказів. Це окрема задача від оцінювання risk of bias усередині кожного дослідження.

Методологічна стаття GRADE про publication bias наголошує, що навіть добре сплановані окремі дослідження не рятують синтез, якщо доступна сукупність систематично відібрана. Автори рекомендують особливу обережність, коли доказова база складається переважно з малих досліджень, а також підкреслюють обмеження всіх емпіричних методів виявлення publication bias.

Отже, GRADE не «підраховує кількість неопублікованих статей» і не перетворює тест Еггера на бінарний вирок. Це структуроване судження про те, наскільки ризик неповної видимості доказів зменшує довіру до конкретного результату.

Що справді допомагає зменшувати проблему

Проспективна реєстрація і доступні протоколи

Пререєстрація дослідження створює часовий слід запланованих гіпотез, outcomes і аналізів. Реєстри випробувань та протоколи дають систематичному огляду можливість побачити дослідження або результати, які не з’явилися в журнальній статті. Це не гарантує високої якості дизайну і не забороняє чесні exploratory analyses; її цінність — у прозорості розрізнення запланованого й зробленого.

Registered Reports

Registered Reports переносять ключове рецензування та in-principle acceptance на етап до отримання або знання основних результатів. Логіка формату безпосередньо змінює стимул: придатність роботи оцінюється за питанням і методом, а не за тим, чи вийшов «красивий» ефект.

Порівняльне дослідження Soderberg та співавторів дало початкові емпіричні свідчення, що опубліковані Registered Reports можуть мати вищі оцінки методологічної та аналітичної строгості без статистично переконливого зниження новизни. Це підтримує Registered Reports як перспективну інституційну зміну, але не робить формат універсальною гарантією безпомилковості.

Повне повідомлення результатів незалежно від напряму

Найпряміший захист від результат-залежного відбору — зробити доступними результати незалежно від того, чи підтвердили вони гіпотезу. Це стосується не лише журнальної статті: структуровані реєстрові результати, звіти, репозитарії, дані та код можуть залишити перевірний слід навіть тоді, коли повноформатний рукопис не з’явився.

Пошук за межами однієї бібліографічної бази

Cochrane рекомендує шукати джерела, де можуть бути результати, що не представлені у звичайній журнальній літературі: реєстри випробувань, регуляторні матеріали, інформацію виробників, авторів або спонсорів, а також кілька бібліографічних баз. Повнота пошуку не ліквідує всі non-reporting biases, але зменшує залежність огляду від найвидимішого шару публікацій.

Прозорість аналітичних рішень

p-hacking і публікаційне упередження — різні механізми, які можуть підсилювати одне одного. Якщо аналітична гнучкість збільшує частку формально значущих результатів, а система публікації додатково відбирає значущі результати, видима література отримує подвійний фільтр. Пререєстрація, повне повідомлення альтернативних аналізів і multiverse/sensitivity approaches допомагають зробити цей фільтр видимішим.

Публікаційне упередження, p-hacking і вибіркове повідомлення: де межі

Ці поняття часто зливають, хоча вони описують різні стадії.

• Публікаційне упередження: ймовірність доступності цілого дослідження залежить від результату.

• Вибіркове повідомлення outcome: дослідження доступне, але частина виміряних або запланованих результатів прихована, неповна чи замінена.

• Вибіркове повідомлення analysis: із кількох проведених аналізів видимими стають лише певні.

• p-hacking: аналітичні рішення або дослідницька гнучкість використовуються так, що збільшується шанс отримати бажану статистичну картину.

• HARKing: гіпотеза, сформульована після перегляду результатів, подається як ніби вона була визначена заздалегідь.

У реальному дослідницькому процесі механізми можуть співіснувати, але діагностувати один лише з наявності іншого не можна. Наприклад, великий надлишок статистично значущих публікацій може бути сумісним і з selective publication, і з аналітичною гнучкістю, і з реально сильними ефектами, і з комбінацією цих причин.

Типові помилки інтерпретації

«Тест Еггера незначущий — publication bias немає»

Неправильно. Незначущий тест означає, що за його припущеннями не отримано достатньо статистичних свідчень асиметрії. За малої кількості досліджень тест може мати слабку потужність, а вибіркове неповідомлення outcomes може не проявлятися як small-study effect.

«Лійка асиметрична — приховані дослідження доведені»

Неправильно. Асиметрія має кілька можливих причин. Потрібні змістові, методологічні та, за можливості, прямі дані з реєстрів і протоколів.

«Trim-and-fill показав скоригований ефект — це і є істина»

Неправильно. Метод створює модельний сценарій на основі припущень про асиметрію й відсутні дослідження. Це аналіз чутливості.

«Великий метааналіз автоматично захищений»

Неправильно. Велика кількість досліджень зменшує деякі види статистичної невизначеності, але систематичний відбір не зникає від простого збільшення N досліджень.

«Неопубліковані дослідження обов’язково гірші»

Неправильно. Якість і видимість — різні виміри. Частина неопублікованих робіт може бути слабкою, частина — методологічно сильною. Саме результат-залежна ймовірність видимості, а не статус «журнальна / нежурнальна», створює систематичну проблему.

«Publication bias означає наукове шахрайство»

Ні. Упередження може виникати без фабрикації чи фальсифікації — через стимули, часові обмеження, рішення не писати нульові результати, редакційні пріоритети, неповне звітування або структуру пошуку. Етична оцінка конкретної поведінки потребує окремих фактів.

Як читати метааналіз із погляду ризику пропущених доказів

Замість одного «тесту на publication bias» корисно пройти послідовність запитань.

• Чи був протокол систематичного огляду визначений заздалегідь?

• Чи шукали автори не лише журнальні статті, а й реєстри, звіти, регуляторні або інші релевантні джерела?

• Чи порівнювали опубліковані outcomes із протоколами або реєстровими записами?

• Чи відомі завершені дослідження без доступних результатів?

• Чи є підозріло однорідна перевага малих «позитивних» досліджень?

• Як автори пояснюють можливу асиметрію, а не лише чи отримали p < .05 у тесті Еггера?

• Чи проведені аналізи чутливості з різними правдоподібними механізмами відбору?

• Чи змінюється науково важливий висновок за цих сценаріїв?

• Чи враховано ризик missing evidence в оцінці впевненості, наприклад у GRADE?

Систематичний огляд і метааналіз також не слід ототожнювати. Систематичний огляд — це повний метод пошуку, відбору, оцінювання та синтезу доказів; метааналіз — статистичне об’єднання результатів, яке може бути частиною огляду. Саме якість усього процесу пошуку та роботи з missing evidence визначає, наскільки осмисленою є об’єднана цифра.

PRISMA і publication bias: що чекліст може, а чого не може

PRISMA 2020 — настанова з прозорого звітування систематичних оглядів. Вона допомагає побачити, як автори описали пошук, відбір, оцінювання reporting biases та аналізи, але PRISMA не є тестом на publication bias і не перетворює добре оформлений огляд на автоматично неупереджений.

Це важливе розрізнення для читача: повний чекліст звітування підвищує прозорість того, що зроблено, але наукова достовірність залежить від самої методології, якості первинних досліджень, повноти доступних доказів, статистичної моделі та обґрунтованості інтерпретації.

Практичне значення для психолога, дослідника і читача

Для практичного психолога або клініциста publication bias означає, що «кілька опублікованих досліджень показали ефект» ще не дорівнює повній картині доказів. Особливо обережно слід ставитися до ранніх літератур, що складаються з невеликих досліджень з майже винятково сприятливими висновками.

Для дослідника це аргумент на користь реєстрації, протоколів, повного звітування outcomes, доступності даних і коду там, де це етично та юридично можливо, а також публікації інформативних нульових результатів. Мета — не «зробити всі результати однаково цікавими», а не дозволити статистичному результату визначати право дослідження на існування в науковій пам’яті.

Для автора систематичного огляду ключовим стає принцип: шукати не публікації як такі, а проведені дослідження та заплановані результати. Журнальна стаття — лише один можливий слід дослідження.

Для читача найкраща позиція — оцінювати не сам факт наявності «publication bias analysis», а відповідність методу проблемі. Графік, p-значення тесту асиметрії, реєстровий аудит і модель відбору відповідають на різні запитання.

Що можна вважати сильнішим доказом ризику публікаційного упередження

Найпереконливіша картина виникає, коли кілька незалежних сигналів сходяться. Наприклад: реєстр показує завершені дослідження без результатів; протоколи містять outcomes, яких немає у статтях; невигідні результати публікувалися повільніше; малі дослідження систематично дають більші ефекти; а висновок метааналізу істотно слабшає в правдоподібних sensitivity analyses.

Навпаки, одна асиметрична лійка без інформації про протоколи, реєстри, дизайн первинних робіт і неоднорідність є слабшою підставою для конкретного причинного висновку. У сучасній доказовій методології питання зміщується від «чи є publication bias: так / ні?» до «який ризик упередження через пропущені докази, які механізми правдоподібні і наскільки вони можуть змінити висновок?»

FAQ

Публікаційне упередження — це те саме, що reporting bias?

Publication bias — одна форма ширшої проблеми результат-залежної видимості. Reporting bias історично використовували як парасольковий термін, а сучасний Cochrane для багатьох таких механізмів віддає перевагу формулюванню non-reporting bias. Важливо уточнювати рівень: зникло ціле дослідження, окремий outcome чи конкретний аналіз.

Чи можна довести publication bias лійковою діаграмою?

Ні. Лійкова асиметрія показує small-study effects, а не їхню єдину причину. Публікаційне упередження — одна з можливих причин.

Скільки досліджень потрібно для funnel plot або тесту Еггера?

Є поширені практичні пороги, але вони не перетворюють метод на надійний після певного числа робіт. Інформативність залежить від кількості досліджень, неоднорідності, метрики та моделі. За невеликої кількості робіт статистичні тести асиметрії особливо малопотужні.

Чи виправляє trim-and-fill публікаційне упередження?

Ні. Він моделює один сценарій пропущених досліджень за сильних припущень. Його корисно використовувати для sensitivity analysis, а не як механічну заміну основної оцінки.

Чи є Registered Reports розв’язанням проблеми?

Вони змінюють важливий стимул: принципове рішення про публікацію приймають до знання результату. Це прямо зменшує простір для result-dependent publication, але не гарантує ідеальний дизайн, вимірювання, виконання, аналіз або відсутність усіх інших упереджень.

Чи достатньо пререєстрації?

Ні. Пререєстрація створює прозорий часовий слід плану, але сама по собі не гарантує якісну гіпотезу, валідне вимірювання, достатню вибірку, правильну модель чи повну публікацію. Її користь зростає, коли план доступний, відхилення пояснені, а результати повідомлені незалежно від їхнього напряму.

Чим publication bias відрізняється від p-hacking?

p-hacking стосується аналітичної гнучкості та способів отримання або відбору статистично привабливого результату в межах аналізу. Publication bias стосується того, які дослідження або результати стають доступними для літератури. Вони можуть взаємодіяти, але один механізм не доводить інший.

Чи означає наявність publication bias, що ефекту немає?

Ні. Упередження може перебільшувати, применшувати або іншим чином зміщувати оцінку. Питання полягає в тому, наскільки величина й напрям висновку стійкі до правдоподібного механізму відбору.

Чому проблема важлива саме для метааналізу?

Тому що метааналіз надає велику вагу сукупній літературі. Якщо сама сукупність систематично відібрана за результатом, статистично точне об’єднання може дати дуже точну відповідь на деформованому наборі доказів.

Як GRADE враховує publication bias?

Як домен впевненості у сукупності доказів. Підозра на результат-залежну відсутність досліджень або результатів може бути підставою знизити впевненість. Це не рейтинг журналу і не оцінка одного окремого дослідження.

Чи можна вважати неопубліковані дані автоматично надійнішими?

Ні. Статус публікації не визначає якість. Неопубліковані джерела теж потребують оцінки дизайну, ризику упередження, вимірювання та повноти даних. Їхня цінність для цієї проблеми в тому, що вони допомагають зменшити результат-залежну селекцію видимої доказової бази.