Statistik-Glossar

Metaanalyse

Meta-Analysis · Maximilian Fuchs · 24. April 2026 · 5 Min. Lesezeit

In diesem Beitrag

Was versteht man unter Metaanalyse?
Warum ist die Metaanalyse wichtig?
Praxisbeispiel

Was versteht man unter Metaanalyse?

Eine Metaanalyse ist eine statistische Methode, mit der die Ergebnisse mehrerer unabhängiger Einzelstudien zu einer gemeinsamen Fragestellung systematisch zusammengeführt und quantitativ ausgewertet werden. Ziel ist es, einen übergeordneten, statistisch robusteren Schätzwert für einen Effekt zu berechnen – den sogenannten Gesamteffekt oder pooled effect size.

Im Kern werden die Effektgrößen der Einzelstudien (z. B. Cohens d, Odds Ratio oder Korrelationskoeffizient r) gewichtet gemittelt. Studien mit größerer Stichprobe oder geringerer Varianz erhalten dabei in der Regel ein höheres Gewicht, weil ihre Schätzungen präziser sind. Das Ergebnis wird typischerweise in einem Forest Plot visualisiert, der die Einzeleffekte sowie den Gesamteffekt übersichtlich darstellt.

Metaanalysen sind meist Bestandteil eines systematischen Reviews, bei dem zunächst alle relevanten Studien nach festgelegten Ein- und Ausschlusskriterien identifiziert und bewertet werden, bevor die statistische Zusammenführung erfolgt.

Einfach erklärt Stell dir vor, du möchtest wissen, ob ein bestimmtes Medikament wirklich hilft. Dazu gibt es zehn verschiedene Studien – manche mit wenigen, manche mit vielen Teilnehmenden, und die Ergebnisse widersprechen sich teils. Eine Metaanalyse fasst all diese Studien zusammen und berechnet eine Art „gewichteten Durchschnitt“ aller Befunde. So erhältst du eine verlässlichere Antwort, als wenn du nur eine einzige Studie betrachten würdest.

Warum ist die Metaanalyse für statistische Analysen wichtig?

Einzelne Studien leiden häufig unter kleinen Stichproben, was ihre statistische Teststärke (Power) begrenzt und zufällige Schwankungen in den Ergebnissen wahrscheinlicher macht. Eine Metaanalyse erhöht die effektive Gesamtstichprobe und liefert dadurch engere Konfidenzintervalle und stabilere Schätzungen. Sie gilt daher in der Evidenzhierarchie – etwa nach dem GRADE-System – als eine der höchsten Evidenzformen.

Darüber hinaus ermöglicht die Metaanalyse die Untersuchung von Heterogenität: Mithilfe von Statistiken wie I² lässt sich quantifizieren, wie stark die Ergebnisse der Einzelstudien voneinander abweichen. Ein hoher I²-Wert (z. B. über 75 %) deutet darauf hin, dass die Studien möglicherweise unterschiedliche Populationen, Interventionen oder Kontexte abbilden – und der Gesamteffekt daher mit Vorsicht zu interpretieren ist.

Häufiger Fehler „Garbage in, garbage out“: Eine Metaanalyse ist nur so gut wie die einbezogenen Studien. Werden methodisch schwache oder verzerrte Studien zusammengefasst, liefert auch die Metaanalyse ein verzerrtes Ergebnis. Ebenso kann der sogenannte Publikationsbias – die Tendenz, dass nur signifikante Studien veröffentlicht werden – das Gesamtergebnis systematisch überschätzen. Werkzeuge wie der Funnel Plot helfen dabei, solche Verzerrungen sichtbar zu machen.

Gut zu wissen Bei der Metaanalyse unterscheidet man zwei grundlegende Modelle: Das Fixed-Effects-Modell geht davon aus, dass alle Studien denselben wahren Effekt schätzen. Das Random-Effects-Modell erlaubt, dass der wahre Effekt zwischen den Studien variiert. In der Praxis wird bei vorhandener Heterogenität meist das Random-Effects-Modell bevorzugt.

Praxisbeispiel zu Metaanalyse

Angenommen, du untersuchst, ob achtsamkeitsbasierte Interventionen den wahrgenommenen Stress bei Studierenden reduzieren. Du findest fünf publizierte Studien, die alle Cohens d als Effektgröße berichten:

Tabelle 1. Beispielhafte Effektgrößen aus fünf Einzelstudien
Studie	Stichprobengröße (n)	Cohens d	95 %-KI
Studie 1	40	0,42	[0,05; 0,79]
Studie 2	120	0,55	[0,32; 0,78]
Studie 3	35	0,28	[−0,10; 0,66]
Studie 4	200	0,61	[0,43; 0,79]
Studie 5	80	0,47	[0,20; 0,74]

Die Studien 1, 3 und 5 haben kleinere Stichproben und breitere Konfidenzintervalle – ihre Ergebnisse sind weniger präzise und erhalten daher in der Metaanalyse ein geringeres Gewicht. Studie 4 mit n = 200 wird stärker gewichtet. Der gewichtete Gesamteffekt könnte sich zum Beispiel auf d = 0,52 (95 %-KI [0,39; 0,65]) belaufen – ein mittlerer Effekt, der nun auf Basis von insgesamt 475 Beobachtungen deutlich stabiler geschätzt ist als jeder Einzelbefund für sich.

Ein anschließend berechnetes I² von 18 % würde auf geringe Heterogenität hinweisen – die Studien schätzen also einen ähnlichen zugrundeliegenden Effekt, und der Gesamtbefund ist gut interpretierbar.