Meta-Análise na Tese 2026: Tamanho de Efeito, Heterogeneidade (I²) e Forest Plot Passo a Passo

A meta-análise é simultaneamente a metodologia mais poderosa e a mais temida em toda a investigação académica. Quando bem executada, transforma dezenas de estudos dispersos numa estimativa de efeito única, robusta e generalizável — capaz de responder a perguntas que nenhum estudo individual conseguiria. Mas quando mal conduzida, propaga erros sistemáticos de forma amplificada. Se está a considerar incluir uma meta-análise na sua dissertação ou tese, este guia percorre cada etapa com o rigor que Borenstein, Hedges, Higgins e Rothstein consolidaram na obra de referência Introduction to Meta-Analysis (Wiley) e que o Cochrane Handbook continua a actualizar.

A dificuldade não está em calcular um I² ou desenhar um forest plot. Está em compreender o que esses números significam: porque é que um I² de 60% não implica obrigatoriamente heterogeneidade problemática, porque é que o modelo de efeitos aleatórios não é sempre o mais “conservador” e porque é que um funnel plot simétrico não garante ausência de viés de publicação. Este artigo responde a todas estas questões, com exemplos de código R e critérios de decisão claros para cada etapa do processo.

O que é uma meta-análise?

A meta-análise é uma técnica estatística que sintetiza quantitativamente os resultados de vários estudos independentes que investigam a mesma questão de investigação. Ao contrário de uma revisão narrativa — que descreve estudos individualmente, com risco elevado de selecção subjectiva — a meta-análise calcula um efeito combinado ponderando cada estudo pela sua precisão, geralmente através do inverso da variância.

O conceito remonta a Gene Glass, que em 1976 cunhou o termo “meta-analysis” ao sintetizar estudos sobre psicoterapia. Desde então, a metodologia consolidou-se como o nível mais alto de evidência em medicina baseada na evidência, ciências da saúde, psicologia e educação. Para a sua tese, realizar uma meta-análise implica não apenas reunir estudos — implica transformar resultados heterogéneos em linguagem estatística comum e reportar essa síntese com transparência total, de modo a que qualquer investigador independente possa replicar os passos.

A distinção fundamental relativamente à revisão sistemática simples é esta: a revisão sistemática identifica e avalia os estudos; a meta-análise combina-os quantitativamente. Nem toda a revisão sistemática culmina numa meta-análise — se os estudos forem demasiado heterogéneos em design ou outcome, a síntese narrativa é a opção mais honesta.

Quando incluir uma meta-análise na tese?

A meta-análise só é adequada quando se verificam quatro condições simultâneas:

• Corpus suficiente: existem pelo menos 5–10 estudos primários comparáveis (quanto menor o número, menos fiável a estimativa do tau²).
• Homogeneidade conceptual: os estudos abordam a mesma população (P), intervenção (I), comparação (C) e resultado (O), nos termos do framework PICO que orienta a pesquisa bibliográfica reprodutível.
• Dados quantitativos compatíveis: os estudos reportam estatísticas que permitem calcular um tamanho de efeito comum (médias e desvios-padrão, OR com IC 95%, r, etc.).
• Protocolo pré-registado ou justificado: o orientador e a instituição aceitam a abordagem; idealmente, o protocolo é registado em PROSPERO antes de iniciar a pesquisa bibliográfica.

Áreas como enfermagem, psicologia clínica, medicina, ciências do desporto e educação têm tradição forte de meta-análises em teses de doutoramento — e cada vez mais em dissertações de mestrado com revisão sistemática como metodologia principal. Consulte o artigo sobre revisão sistemática PRISMA e PICO em teses de enfermagem para um caso de uso concreto nesta área científica.

PRISMA 2020 e extração de dados

O PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) é o guião de reporte obrigatório para revisões sistemáticas com ou sem meta-análise, publicado por Page et al. em 2021 no BMJ e simultaneamente noutras revistas internacionais. A versão 2020 inclui uma lista de verificação com 27 itens organizados em sete secções (título, resumo, introdução, métodos, resultados, discussão e outras informações) e um diagrama de fluxo de quatro fases que deve acompanhar qualquer artigo ou capítulo de tese baseado nesta metodologia.

As quatro fases do fluxo PRISMA 2020

Extração de dados: crie uma folha de extração normalizada com colunas para autor/ano, tamanho amostral (n por grupo), médias e desvios-padrão ou OR com IC 95%, instrumento de medição e características sociodemográficas da amostra. Dois investigadores devem extrair independentemente; discordâncias resolvem-se por consenso ou terceiro árbitro. Use strings de pesquisa reprodutíveis — uma boa estratégia PICO com operadores booleanos correctamente estruturados é a base de qualquer meta-análise defensável numa arguição.

Tamanho de efeito: d de Cohen, Odds Ratio e r de Pearson

O tamanho de efeito é a moeda comum da meta-análise: transforma resultados expressos em unidades diferentes numa escala comparável. A escolha da métrica depende do tipo de dados reportados pelos estudos primários.

d de Cohen (diferença de médias estandardizada)

Utilizado quando os estudos comparam dois grupos numa variável contínua — por exemplo, pontuação num teste de ansiedade antes e depois de uma intervenção. Calcula-se dividindo a diferença entre médias pelo desvio-padrão combinado dos dois grupos:

As convenções de Borenstein et al. para interpretar d são: pequeno ≈ 0,2 | médio ≈ 0,5 | grande ≥ 0,8. Atenção: estas são referências contextuais, não limiares absolutos — um d de 0,3 pode ser muito relevante clinicamente em determinadas áreas. Quando os grupos têm dimensões diferentes, usa-se frequentemente o g de Hedges, uma versão corrigida do d para amostras pequenas, disponível via escalc(measure = "SMD") no pacote metafor em R.

Odds Ratio (OR)

Preferido em estudos caso-controlo e ensaios clínicos com outcomes dicotómicos — por exemplo, remissão versus não-remissão de sintomas. O OR compara a probabilidade de ocorrência de um evento num grupo face ao outro. Na meta-análise, trabalha-se com o logaritmo do OR (log-OR), que se re-transforma para apresentação nos resultados. Um OR = 1,0 indica ausência de efeito; OR > 1 aumenta a probabilidade do evento; OR < 1 reduz-a.

r de Pearson

Usado quando os estudos reportam correlações — por exemplo, a relação entre níveis de ansiedade e desempenho académico. Na meta-análise, transforma-se r em z de Fisher antes de agregar (transformação de Fisher), revertendo para r no resultado final. Convenções orientadoras: r = 0,1 (pequeno), 0,3 (médio), 0,5 (grande).

Em qualquer caso, a função escalc() do metafor calcula automaticamente o tamanho de efeito e a sua variância a partir dos dados brutos dos estudos primários. Para compreender como estes cálculos se articulam com a análise quantitativa mais geral da tese, o guia sobre como analisar dados quantitativos com SPSS e Jamovi oferece o contexto estatístico necessário.

Efeitos fixos vs efeitos aleatórios

Esta é uma das decisões mais importantes — e mais frequentemente mal compreendidas — em toda a meta-análise. Não se trata de escolher o modelo “mais conservador” ou o “mais seguro”; trata-se de escolher o modelo que melhor representa a realidade dos estudos incluídos.

Em ciências sociais, saúde e educação, o modelo de efeitos aleatórios é o mais utilizado porque a heterogeneidade entre estudos é quase sempre presente. A decisão deve ser tomada antes de analisar os dados — usar o I² para escolher o modelo post-hoc é uma prática metodologicamente incorrecta, criticada pelo próprio Borenstein. Em R com o pacote metafor:

O argumento method = "REML" usa máxima verosimilhança restrita para estimar o tau² — o estimador recomendado por Viechtbauer (2010) e confirmado pelo Cochrane Handbook como padrão para a maioria das meta-análises.

Heterogeneidade: I², Q de Cochran e tau²

A heterogeneidade mede o grau em que os efeitos verdadeiros variam entre estudos, para além do que seria esperado apenas por erro amostral. Existem três métricas complementares, cada uma com uma interpretação própria.

Q de Cochran

O Q é um teste estatístico de homogeneidade: a hipótese nula é que todos os estudos partilham o mesmo efeito verdadeiro. Um p < 0,05 indica heterogeneidade estatisticamente significativa. Mas o Q tem baixo poder estatístico quando k (número de estudos) é pequeno e poder excessivo quando k é grande — razão pela qual um Q não-significativo não “prova” homogeneidade, e um Q significativo com k elevado não implica necessariamente heterogeneidade clinicamente importante.

I² (I ao quadrado)

Proposto por Higgins e Thompson (2002) no Statistics in Medicine, o I² exprime a proporção da variação total nos efeitos observados atribuível à heterogeneidade real (e não ao erro amostral). As referências orientadoras do Cochrane Handbook são:

Uma limitação fundamental do I², claramente documentada em literatura recente, é que não mede a magnitude absoluta da heterogeneidade — apenas a sua proporção relativa. Estudos com amostras muito grandes podem produzir I² alto com tau² clinicamente negligenciável. Esta distinção é frequentemente ignorada em teses e levanta questões na arguição.

tau² e o intervalo de predição

O tau² (tau ao quadrado) é a variância real entre os efeitos verdadeiros dos estudos — a métrica mais informativa em termos absolutos, expressa na mesma escala que o tamanho de efeito. O intervalo de predição a 95% — calculado a partir de tau² — indica onde cairiam 95% dos efeitos verdadeiros numa nova população semelhante. Este intervalo é muito mais útil para a prática clínica e para a discussão da tese do que o intervalo de confiança do efeito médio combinado.

Para enquadrar correctamente estas análises no contexto mais amplo da estatística inferencial, o artigo sobre estatística descritiva vs inferencial na tese clarifica quando cada abordagem deve ser usada e como os testes de hipótese se articulam com os intervalos de confiança.

Forest plot e funnel plot passo a passo

Forest plot — a representação visual canónica

O forest plot apresenta visualmente os resultados de cada estudo incluído e o efeito combinado. Cada estudo aparece como um quadrado cujo tamanho é proporcional ao seu peso (precisão) na meta-análise, centrado no efeito estimado, com linhas horizontais a representar o IC 95%. O diamante na base representa o efeito combinado de todos os estudos.

Elementos obrigatórios num forest plot para publicação ou tese:

• Autor(es) e ano de cada estudo no eixo vertical esquerdo
• Tamanho de efeito e IC 95% por estudo (coluna numérica à direita)
• Peso percentual de cada estudo na meta-análise
• Linha vertical de efeito nulo (0 para diferenças de médias; 1 para OR)
• Diamante de sumário com IC 95% do efeito combinado
• Estatísticas de heterogeneidade (I², tau², Q, p do Q) na base do gráfico

Em R com metafor, após ajustar o modelo, o forest plot gera-se com:

Funnel plot — deteção visual de assimetria

O funnel plot representa o tamanho de efeito de cada estudo no eixo horizontal e uma medida de precisão — geralmente o erro-padrão — no eixo vertical (invertido). Na ausência de viés de publicação e com heterogeneidade mínima, os pontos distribuem-se simetricamente em torno do efeito médio, formando um funil invertido. Assimetria no funnel plot sugere viés de publicação ou heterogeneidade relacionada com o tamanho das amostras.

Viés de publicação — deteção e correção

O viés de publicação ocorre porque estudos com resultados estatisticamente significativos têm maior probabilidade de ser submetidos e publicados. Numa meta-análise, este fenómeno pode inflacionar sistematicamente a estimativa do efeito combinado, tornando-o mais positivo do que a realidade justifica.

Métodos de deteção

• Inspeção visual do funnel plot: assimetria visível é sugestiva, mas subjectiva e dependente do número de estudos.
• Teste de Egger (regressão linear): detecta assimetria estatisticamente, regredindo os efeitos estandardizados sobre as respectivas precisões. Adequado quando k ≥ 10 estudos.
• Teste de rank de Begg e Mazumdar: alternativa não-paramétrica ao teste de Egger, menos sensível a outliers.

Métodos de correção

• Trim-and-fill (Duval e Tweedie, 2000): método não-paramétrico que imputa estudos “em falta” no lado sub-representado do funil e re-estima o efeito ajustado. Usado como análise de sensibilidade, não como estimativa principal.
• Fail-safe N (de Rosenthal): estima quantos estudos nulos seriam necessários para anular a significância do efeito combinado. Tem limitações reconhecidas na literatura mais recente e deve ser usado com cautela.
• Modelo de selecção: abordagem mais sofisticada que modela explicitamente o processo de publicação; disponível no metafor via selmodel().

Software: R metafor, RevMan e JASP

Três ferramentas dominam o panorama de software para meta-análise em teses académicas. A escolha adequada depende do seu nível de familiaridade com programação e das exigências do orientador e da área científica.

Para teses de doutoramento que pretendam publicar os resultados em revistas Q1 ou Q2 (JCR/Scimago), o R com o pacote metafor é o padrão de facto. A referência canónica a citar é: Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. Para uma perspectiva mais abrangente sobre os paradigmas de investigação e quando cada abordagem metodológica é adequada, o artigo Metodologia de Investigação: Guia Completo para a Tese (2026) (pt.tesify.pro) apresenta o mapa completo dos métodos desde o design até à análise.

FAQ