El modelo meta-analítico de efectos aleatorios con g tiende a infraestimar los parámetros: un modelo alternativo
Resumen
El modelo clásico de efectos aleatorios (CREM) presenta limitaciones al utilizar como índice del tamaño del efecto la diferencia de medias tipificada. Suero et al. (2025) han reformulado el CREM como un Modelo de Mezclas (MM) y han desarrollado estimadores insesgados de los parámetros fundamentales µδ y τ2. Compararon sus estimadores con dos procedimientos clásicos ampliamente utilizados, Máxima Verosimilitud Restringida (REML; Viechtbauer, 2005) y el estimador de DerSimonian y Laird (DL; 1986), encontrando pequeñas, pero sistemáticas, infraestimaciones por parte de los procedimientos clásicos. El objetivo de este trabajo es comprobar si los resultados encontrados por Suero et al. (2025) son extrapolables fuera del ámbito de simulación. Para ello se crearon tres bases de datos con meta-análisis (MA) reales pertenecientes al ámbito clínico, experimental y educativo de la psicología. Los resultados son concordantes con los encontrados por Suero et al. (2025) siendo las estimaciones medias del MM superiores a las de REML y DL. Se discuten también los casos atípicos encontrados en MA reales como tamaños del efecto bizarros, tamaños muestrales desmesurados o MA con pocos estudios primarios.
Descargas
-
Resumen19
-
pdf 2
Citas
Bakbergenuly, I., Hoaglin, D. C., & Kulinskaya, E. (2020). Estimation in meta-analyses of mean difference and standardized mean difference. Statistics in Medicine, 39, 171–191. https://doi.org/10.1002/sim.8422
Begg, C. B., & Mazumdar, M. (1994). Operating characteristics of a rank correlation test for publication bias. Biometrics, 50(4), 1088–1101.
Blázquez-Rincón, D., Sánchez-Meca, J., Botella, J., & Suero, M. (2023). Heterogeneity estimation in meta-analysis of standardized mean differences when the distribution of random effects departs from normal: A Monte Carlo simulation study. BMC medical research methodology, 23(1), 19. https://doi.org/10.1186/s12874-022-01809-0
Böhning, D., Malzahn, U., Dietz, E., Schlattmann, P., Viwatwongkasem, C., & Biggeri, A. (2002). Some general points in estimating heterogeneity variance with the DerSimonian–Laird estimator. Biostatistics, 3(4), 445-457.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Hillsdale, NJ: Lawrence Erlbaum.
DerSimonian, R., & Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7, 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
Durán, J. I., Suero, M., & Botella, J. (2024, November 4). MixtureREM. Retrieved from osf.io/rwt2q
Friedman, L. (2000). Estimators of random effects variance components in meta-analysis. Journal of Educational and Behavioral Statistics, 25(1), 1-12.
Guolo, A., & Varin, C. (2017). Random-effects meta-analysis: the number of studies matters. Statistical methods in medical research, 26(3), 1500–1518. https://doi.org/10.1177/0962280215583568
Hamman, E. A., Pappalardo, P., Bence, J. R., Peacor, S. D., & Osenberg, C. W. (2018). Bias in meta‐analyses using Hedges’d. Ecosphere, 9(9), e02419.
Hedges, L. V. (1981). Distribution theory for Glass's estimator of effect size and related estimators. Journal of Educational Statistics, 6(2), 107–128. https://doi.org/10.2307/1164588
Hedges, L. V. (1983). A random effects model for effect sizes. Psychological Bulletin, 93, 388-395.
Hedges, L. V. & Olkin, I. (1985). Statistical Methods for Metaanalysis. San Diego, CA: Academic Press.
Jackson, D., & Turner, R. (2017). Power analysis for random-effects meta-analysis. Research synthesis methods, 8(3), 290–302. https://doi.org/10.1002/jrsm.1240
Kühberger, A., Fritz, A. & Scherndl, T. (2014). Publication Bias in Psychology: A Diagnosis Based on the Correlation between Effect Size and Sample Size. PLoS ONE 9(9): e105825. https://doi.org/10.1371/journal.pone.0105825
Langan, D., Higgins, J. P. T., Jackson, D., Bowden, J., Veroniki, A. A., Kontopantelis, E., Viechtbauer, W., & Simmonds, M. (2019). A comparison of heterogeneity variance estimators in simulated random-effects meta-analyses. Research synthesis methods, 10(1), 83–98. https://doi.org/10.1002/jrsm.1316
Lin, L., & Aloe, A. M. (2021). Evaluation of various estimators for standardized mean difference in meta-analysis. Statistics in Medicine, 40, 403–426. https://doi.org/10.1002/sim.8781
López-Nicolás, R. (2023). Research Synthesis: Challenges, Reproducibility and Future Directions. [Unpublished doctoral dissertation] Universidad de Murcia.
Marks-Anglin, A. & Chen, Y. (2020). Small-study effects: current practice and challenges for future research. Statistics and Its Interface, 13(4), 457-484.
Sterne, J. A., Gavaghan, D., & Egger, M. (2000). Publication and related bias in meta-analysis: power of statistical tests and prevalence in the literature. Journal of clinical epidemiology, 53(11), 1119-1129.
Suero, M. Botella, J. Durán, J. I. & Blázquez-Rincón, D. (2025). Reformulating the Meta-analytical Random Effects Model as a Mixture Model. Behavior Research Methods, 57, 7. https://doi.org/10.3758/s13428-024-02554-6
Veroniki, A. A., Jackson, D., Viechtbauer, W., Bender, R., Bowden, J., Knapp, G., Kuss, O., Higgins, J. P., Langan, D., & Salanti, G. (2016). Methods to estimate the between-study variance and its uncertainty in meta-analysis. Research synthesis methods, 7(1), 55–79. https://doi.org/10.1002/jrsm.1164
Viechtbauer W (2010). “Conducting meta-analyses in R with the metafor package.” Journal of Statistical Software, 36(3), 1–48. doi:10.18637/jss.v036.i03.
Viechtbauer, W. (2005). Bias and efficiency of meta-analytic variance estimators in the random-effects model. Journal of Educational and Behavioral Statistics, 30(3), 261- 293.
Derechos de autor 2026 Los autores
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Sobre Derechos de autor y Licencias, más detalles aquí.
