Kann JASP Metaanalysen durchführen?

Ja, JASP kann Metaanalysen durchführen

JASP verfügt über ein dediziertes Meta-Analysis-Modul, das eine grafische Oberfläche für eine breite Palette etablierter meta-analytischer Verfahren bereitstellt. Es ist kein Provisorium, sondern ein vollwertiges Add-on, das sowohl klassische als auch bayesianische Ansätze abdeckt.

Für Studierende und Forschende, die keine Programmierkenntnisse in R mitbringen, ist das besonders relevant: Komplexe Verfahren, die sonst eine intensive Auseinandersetzung mit R-Paketen wie metafor erfordern würden, sind in JASP über eine benutzerfreundliche GUI zugänglich – ohne eine einzige Zeile Code schreiben zu müssen.

Im Folgenden erfahren Sie, wie Sie das Modul aktivieren, welche Voraussetzungen Ihre Daten erfüllen müssen und welche konkreten Analyseschritte JASP unterstützt.

Das Meta-Analysis-Modul aktivieren

Das Metaanalyse-Modul ist in JASP nicht standardmäßig im Hauptmenü sichtbar – es muss zunächst einmalig aktiviert werden. Das geht schnell:

1. Öffnen Sie JASP und klicken Sie oben rechts auf das blaue Plus-Symbol im Modulbereich.
2. Es öffnet sich die Modulverwaltung. Suchen Sie nach Meta-Analysis und aktivieren Sie das Modul durch einen Klick.
3. Nach der Aktivierung erscheint das Metaanalyse-Menü im oberen Navigationsbereich von JASP.
4. Optional: Laden Sie einen der mitgelieferten Beispiel-Datensätze, um sich mit der Oberfläche vertraut zu machen.

Datenvorbereitung und Voraussetzungen

Bevor Sie eine Metaanalyse in JASP starten können, müssen Ihre Daten eine bestimmte Struktur aufweisen. Jede einbezogene Primärstudie entspricht einer Zeile in Ihrer Datentabelle.

Was Ihre Daten mindestens enthalten müssen

Für eine klassische Metaanalyse benötigen Sie pro Studie mindestens:

• Eine Effektgröße (z. B. Cohens d, Hedges‘ g, Korrelationskoeffizient r)
• Den dazugehörigen Standardfehler oder ein Maß der Präzision (z. B. Varianz, Konfidenzintervall)
• Ein Studienlabel zur Identifikation in Forest Plots und Ausgabetabellen

Wenn Effektgrößen nicht direkt berichtet sind

In der Praxis enthalten viele Publikationen keine direkt verwertbaren Effektgrößen. Das ist kein Problem: Das JASP-Modul kann Effektgrößen und Standardfehler aus verschiedenen Eingangsformaten berechnen, darunter:

• Mittelwerte und Streuungen (zwei Gruppen)
• t-Statistiken oder F-Statistiken
• p-Werte (mit Stichprobengröße)
• Korrelationskoeffizienten
• Chi-Quadrat-Werte

JASP erzeugt dabei automatisch berechnete Spalten – zum Beispiel Computed effect size, Computed standard error und Computed effect size type – die anschließend direkt in der Analyse verwendet werden. Das spart erheblichen manuellen Aufwand und reduziert Übertragungsfehler.

Metaanalyse durchführen: Schritt für Schritt

Sobald Ihre Daten vorbereitet sind und das Modul aktiviert ist, folgt die eigentliche Analyse. Die folgende Übersicht zeigt den typischen Ablauf für eine klassische Random-Effects-Metaanalyse in JASP.

Schritt 1: Analyse starten

Klicken Sie im Metaanalyse-Menü auf Classical Meta-Analysis. Es öffnet sich das Analyseformular auf der rechten Seite der JASP-Oberfläche.

Schritt 2: Variablen zuweisen

Weisen Sie die entsprechenden Spalten Ihres Datensatzes zu:

• Effect Size: Ihre berechnete oder importierte Effektgröße
• Standard Error: Den zugehörigen Standardfehler
• Study Label: Die Studienkennzeichnung für Plots und Tabellen

Schritt 3: Schätzverfahren wählen

Als Schätzverfahren empfiehlt sich für die meisten Anwendungsfälle Restricted Maximum Likelihood (REML). Dieses Verfahren ist für Random-Effects-Modelle in der Metaanalyse weit verbreitet und produziert zuverlässige Schätzungen der Heterogenität.

Schritt 4: Ausgaben und Visualisierungen konfigurieren

Aktivieren Sie die gewünschten Ausgaben. Besonders empfehlenswert sind:

• Forest Plot – zeigt die Effektgrößen aller Einzelstudien sowie den Gesamteffekt als Diamant
• Funnel Plot – ermöglicht eine visuelle Prüfung auf Publikationsbias
• Heterogenitätsmaße – τ, τ², I² und H² als Kennzahlen der Streuung zwischen den Studien

Im Random-Effects-Modell setzt sich der beobachtete Effekt jeder Studie aus dem wahren Gesamteffekt , einer studienbezogenen Abweichung und einem Messfehler zusammen. Die Varianz von entspricht – dem zentralen Heterogenitätsparameter, den JASP in der Ausgabe ausweist.

Schritt 5: Ergebnisse interpretieren

JASP gibt einen tabellarischen Output aus, der den geschätzten Gesamteffekt mit Konfidenzintervall, den zugehörigen p-Wert sowie die Heterogenitätsstatistiken enthält. Ein I²-Wert von unter 25 % gilt als gering, Werte über 75 % weisen auf hohe Heterogenität hin – also erhebliche Unterschiede zwischen den Primärstudien, die eine Subgruppenanalyse oder Meta-Regression nahelegen.

Welche Metaanalyse-Verfahren JASP unterstützt

Das Meta-Analysis-Modul ist deutlich umfangreicher als viele Nutzende erwarten. Das Modul deckt ein breites Spektrum moderner Metaanalyse-Methoden ab, von einfachen Effektgrößenberechnungen bis hin zu komplexen multilevel-Modellen.

Zugrunde liegende R-Pakete

Hinter der grafischen Oberfläche arbeiten bewährte R-Pakete: metafor für klassische Verfahren, RoBMA für bayesianische Metaanalysen, pema für penalisierte Metaanalyse und metamisc für Metaanalysen zur Vorhersagemodell-Performance. Das bedeutet: Die Ergebnisse aus JASP sind methodisch gleichwertig mit einer R-basierten Auswertung – nur der Weg dorthin ist komfortabler.

Grenzen und Alternativen

JASP ist für viele Metaanalyse-Szenarien gut geeignet, hat aber einige Grenzen, die Sie kennen sollten.

Wo JASP an Grenzen stößt

• Datenaufbereitung: Die initiale Extraktion und Aufbereitung von Studiendaten – also das systematische Kodieren aus Publikationen – findet außerhalb von JASP statt, z. B. in Excel oder R.
• Sehr individuelle Modellspezifikationen: Wer hochgradig maßgeschneiderte Modelle mit spezifischen Restriktionen benötigt, stößt in der GUI früher an Grenzen als beim direkten Zugriff auf metafor in R.
• Reproduzierbarkeit in Publikationen: Für Einreichungen in Journals, die explizit R-Code als Supplement verlangen, ist eine R-basierte Auswertung vorzuziehen – auch wenn JASP intern auf dieselben Pakete zurückgreift.
• Keine Netzwerk-Metaanalyse: Für indirekte Vergleiche mehrerer Interventionen (NMA) bietet JASP derzeit keine native Unterstützung.

Wann R die bessere Wahl ist

Wenn Sie eine umfangreiche Dissertation oder eine Originalstudie für ein Peer-Review-Journal verfassen und volle Kontrolle über jeden Modellparameter benötigen, ist metafor direkt in R die flexiblere Option. Für eine Masterarbeit oder als Einstieg in die Metaanalyse ist JASP jedoch ein ausgezeichnetes Werkzeug – vor allem weil der Fokus auf Methodenwahl, Ergebnisinterpretation und Reproduzierbarkeit liegen kann, statt auf Programmierfragen.

Wer sich fragt, welche Software für die eigene Fragestellung insgesamt am besten geeignet ist, findet in unserem Beitrag zu den verschiedenen Statistikprogrammen im Vergleich eine hilfreiche Übersicht.

Fazit: Für wen eignet sich JASP für Metaanalysen?

JASP ist eine ernsthafte Option für Metaanalysen – nicht nur für Einsteigende, sondern auch für Forschende mit fortgeschrittenen Anforderungen. Das Modul bietet klassische und bayesianische Verfahren, Publikationsbias-Korrekturen, Meta-Regression und Multilevel-Modelle, alles über eine grafische Oberfläche.

Besonders empfehlenswert ist JASP für Metaanalysen in folgenden Situationen:

• Masterarbeiten und Dissertationen, bei denen keine R-Kenntnisse vorausgesetzt werden
• Forschungsprojekte, bei denen Reproduzierbarkeit und transparente Dokumentation wichtig sind
• Analysen, die sowohl klassische als auch bayesianische Perspektiven kombinieren sollen
• Teams, die eine gemeinsame, zugängliche Plattform ohne Lizenzkosten benötigen

JASP ist vollständig kostenlos und plattformübergreifend verfügbar – ein klarer Vorteil gegenüber kostenpflichtiger Software. Wer darüber hinaus wissen möchte, was JASP sonst noch kann, etwa im Bereich statistischer Tests oder Fragebogenauswertung, findet auf der Übersichtsseite zu JASP und Jamovi weitere Informationen zu Möglichkeiten und methodischer Unterstützung.

Wenn Sie unsicher sind, ob Ihre Metaanalyse methodisch korrekt geplant ist – etwa hinsichtlich Einschlusskriterien, Effektgrößenwahl oder Heterogenitätsinterpretation – lohnt es sich, frühzeitig eine statistische Beratung für JASP in Anspruch zu nehmen. Gerade bei komplexeren Modellen zahlt sich das aus.