Uno de los problemas más persistentes en la investigación publicada es el sesgo de publicación: la tendencia sistemática a publicar estudios con resultados estadísticamente significativos y a dejar en el cajón aquellos con resultados nulos o contrarios a la hipótesis. En un metaanálisis, este sesgo puede inflar artificialmente el tamaño del efecto combinado, porque la muestra de estudios disponibles no es representativa de toda la investigación que se ha realizado sobre el tema. El funnel plot (gráfico de embudo) es la herramienta visual clásica para evaluar este problema, pero su interpretación es subjetiva. El test de Egger ofrece una alternativa formal y cuantitativa.
La lógica estadística del test de Egger
El test fue propuesto por Matthias Egger y sus colegas en un artículo publicado en el BMJ en 1997 que se ha convertido en una de las referencias obligadas en cualquier metaanálisis. La idea fundamental es sencilla y elegante: si no existe sesgo de publicación, los estudios pequeños (con errores estándar grandes) y los estudios grandes (con errores estándar pequeños) deberían distribuirse de forma simétrica alrededor del efecto verdadero. Los estudios pequeños tendrán estimaciones más dispersas simplemente por su mayor imprecisión, pero en promedio deberían dar el mismo resultado que los estudios grandes.
El test formaliza esta idea mediante una regresión lineal simple. La variable dependiente es el efecto estandarizado, que se calcula dividiendo el tamaño del efecto de cada estudio entre su error estándar (es decir, d/SE o equivalentemente, el estadístico z del estudio). La variable independiente es la precisión del estudio, definida como el inverso del error estándar (1/SE). Si no hay sesgo, la recta de regresión debería pasar por el origen, es decir, el intercepto debería ser igual a cero. Un intercepto significativamente distinto de cero sugiere asimetría en el funnel plot.
Para entender por qué funciona esto, consideremos qué ocurre cuando dividimos ambos lados de la ecuación del efecto por SE. Si el efecto verdadero es theta, entonces E[d/SE] = theta/SE = theta * (1/SE). Esto es una recta que pasa por el origen con pendiente theta. Cuando hay sesgo de publicación del tipo small-study effects (los estudios pequeños muestran efectos más grandes que los grandes), los estudios con baja precisión (bajo 1/SE) muestran efectos estandarizados desproporcionadamente altos, lo que desplaza el intercepto hacia arriba.
El gráfico de regresión de Egger
El gráfico asociado al test de Egger representa en el eje X la precisión (1/SE) y en el eje Y el efecto estandarizado (d/SE). Cada estudio aparece como un punto en este espacio. La recta de regresión ponderada se superpone a los datos, y su intercepto con el eje Y es la estadística clave del test. Un intercepto positivo indica que los estudios menos precisos (más a la izquierda) tienden a mostrar efectos estandarizados desproporcionadamente grandes, lo que es compatible con la presencia de sesgo de publicación o con el fenómeno de small-study effects en general.
Interpretación del intercepto
El resultado del test de Egger se resume en tres valores: el intercepto estimado, su error estándar y el valor p asociado. La hipótesis nula es que el intercepto es igual a cero, lo que indicaría simetría en el funnel plot. Egger et al. originalmente recomendaron un nivel de significación de p < .10 en lugar del convencional p < .05, porque el test tiene baja potencia estadística y un umbral más estricto aumenta el riesgo de no detectar sesgo real. Sin embargo, esta convención no es universal y muchos investigadores utilizan p < .05.
Un intercepto positivo sugiere que los estudios pequeños tienden a sobrestimar el efecto (asumiendo que efectos más grandes son positivos en la codificación utilizada). Un intercepto negativo sugeriría lo contrario: que los estudios pequeños tienden a subestimar el efecto, lo cual es menos habitual en el contexto de sesgo de publicación pero puede ocurrir en ciertas situaciones. La magnitud del intercepto informa sobre la gravedad de la asimetría: interceptos cercanos a cero, aunque sean significativos, sugieren asimetría leve; interceptos grandes y significativos sugieren un problema más serio.
Limitaciones importantes
El test de Egger tiene varias limitaciones que todo investigador debe conocer. La más citada es su baja potencia estadística cuando el metaanálisis incluye menos de diez estudios. Con pocos estudios, el test frecuentemente no alcanza significación estadística aunque exista sesgo real, generando falsos negativos que pueden dar una falsa sensación de seguridad. Cochrane recomienda explícitamente no utilizar el test cuando el metaanálisis incluye menos de diez estudios.
Otra limitación fundamental es que la asimetría del funnel plot no es sinónimo de sesgo de publicación. Un test de Egger significativo puede deberse a heterogeneidad genuina entre estudios, a diferencias en la calidad metodológica entre estudios pequeños y grandes, o a elección inadecuada de la medida del efecto. Por ejemplo, los odds ratios tienen una correlación natural entre la magnitud del efecto y su error estándar, lo que puede producir asimetría artificiosa. Peters et al. (2006) propusieron un test alternativo que utiliza 1/n en lugar de 1/SE como medida de precisión para medidas de efecto binarias, precisamente para evitar este artefacto.
Tampoco debe olvidarse que el test de Egger solo detecta un tipo específico de sesgo: los small-study effects, es decir, la tendencia de los estudios pequeños a mostrar efectos más extremos. Existen formas de sesgo de publicación que no producen este patrón, como la publicación selectiva de resultados dentro de un estudio (outcome reporting bias), que el test de Egger no puede detectar.
Comparación con otros tests
El test de Begg y Mazumdar (1994), basado en la correlación de rangos entre el tamaño del efecto y su varianza, es una alternativa menos potente que el test de Egger y se utiliza con menos frecuencia en la práctica contemporánea. El test de Peters (2006) es preferible cuando se trabaja con odds ratios o riesgos relativos. El trim and fill de Duval y Tweedie no es propiamente un test, sino un método de ajuste que estima el número de estudios que podrían faltar y calcula un efecto corregido, aunque sus supuestos son fuertes y su utilidad ha sido cuestionada.
Implementación en R y reporte
En R, el test se puede ejecutar de manera directa. Con el paquete metafor, la función regtest() aplicada a un objeto rma produce el test de Egger. Con el paquete meta, la función metabias() ofrece el mismo resultado junto con una representación gráfica. Ambas funciones permiten seleccionar variantes del test (Egger, Thompson, Peters) mediante sus argumentos.
Al reportar el resultado, se recomienda indicar el tipo de test, el valor del intercepto con su error estándar, y el valor p. Un ejemplo de reporte siguiendo las normas APA podría ser: "El test de regresión de Egger no sugirió asimetría significativa del funnel plot (intercepto = 0.42, SE = 0.38, p = .287), aunque la potencia estadística de este test fue limitada dado el número reducido de estudios incluidos (k = 8)." Incluir la mención a la potencia estadística es importante cuando el número de estudios es bajo, para evitar que los lectores interpreten la ausencia de significación como evidencia de ausencia de sesgo.
En síntesis, el test de Egger es una herramienta valiosa pero imperfecta para evaluar la presencia de sesgo de publicación en un metaanálisis. Debe utilizarse como complemento a la inspección visual del funnel plot y a otros métodos de evaluación del sesgo, nunca como prueba definitiva por sí solo. Su interpretación siempre debe considerar el contexto del metaanálisis, incluyendo el número de estudios, la presencia de heterogeneidad y el tipo de medida del efecto utilizada.