RStudio - Metafor | Análisis de moderación

En los meta-análisis podemos encontrarnos variables categóricas como, por ejemplo, el país de publicación o el tipo de estudio) que serán interesantes tenerlas en cuenta. Por ese motivo se efectúan los análisis de moderación [moderator analysis en inglés]. Recordemos que para hacer este tipo de análisis para variables cuantitativas o cualitativas precisaremos haber efectuado el meta-análisis propiamente dicho para darnos cuenta de los posibles cambios producidos. Puedes hacer clic en el siguiente botón para recordar el procedimiento: 

4.1 | Función del análisis de moderación (categórica)

[1] En este análisis vamos a calcular lo que en inglés se denomina qbetween o el test de los moderadores, como se le conoce en la biblioteca de metafor.

• El test nos permite conocer si hay diferencias significativas entre los niveles de nuestra moderación. Dicho de otra forma, queremos saber si hay diferencias significativas en las categorías de una variable categórica.

Lo primero que tenemos que hacer es nombrar la función que vamos a crear y que llamaremos Mod (de moderador), nombre de la variable categórica y q (que hace referencia al qbetween). A continuación, podremos la función del meta-análisis de efectos aleatorios rma y entre paréntesis pondremos yi e vi, seguido de mods (moderador) con un = y ~ [en Mac es con Alt + ñ y en Windows es con Alt Gr + 4], a continuación, escribiremos factor y entre paréntesis pondremos el nombre que tenga la variable categórica en nuestra base de datos (estudio en este caso). Por último señalaremos dónde están los datos con data = y el nombre de la base de datos (MAbasico en este caso). Para este ejemplo, la función quedará de esta forma:

> Mod.estudioq = rma (yi, vi, mods = ~ factor (estudio), data = MA basico)

Ejecutar esta función no devolverá ningún resultado. Para ello, deberemos volver a invocar su nombre:

> Mod.estudioq

[2] A continuación, vamos a solicitar los tamaños del efecto para cada una de las categorías. Para ello, vamos a poner una función similar a la de arriba pero sin la q al final del nombre (esto último es solo para aclararnos de lo que estamos haciendo). Ahora, podremos el código o la función anterior pero en el factor pondremos un -1. Lo que hará este -1 es quitar el intercepto.

> Mod.estudio = rma (yi, vi, mods = ~ factor (estudio)-1, data = MA basico)

Para ver los resultados (e interpretarlos) deberemos volver a invocar la variable:

> Mod.estudio

4.2 | Interpretación de los resultados

[1] En la ventana correspondiente aparecerán muchas cosas. En primer lugar, debemos bajar hasta el resultado QM, que tendrá el título de Test of Moderators. Este es el test que hemos visto antes que se llamaba qbetween y que nos dice si hay diferencias significativas entre los niveles o categorías de nuestra variable moderadora. Para ello miraremos el p-valor y lo interpretaremos de la forma en la que se muestra en la siguiente imagen. 

Ahora nos vamos a centrar en lo que se expone arriba: Test for Residual Heterogeneity. Lo cierto es que de este valor no se suele reportar en los meta-análisis pero que ofrece respuesta a la pregunta de ¿hay varianza no explicada que el análisis de moderación no explica? Aquí, cuando el p-valor es significativo (p-valor < 0,050) significa que hay varianza no explicada [unexplained variance en inglés] que nuestro análisis no ha detectado o explicado.

 

[2] Cuando realizaremos la función que hemos llamado mod.estudio (sin el q y, por lo tanto, es distinto a la prueba q-between) los resultados serán distintos a los vistos arriba puesto que es un test de moderación distinto. Recordemos que lo que hemos hecho en [1] mide si hay diferencias significativas entre los niveles y en [2] se mide si hay diferencias significativas a cero. Es por ello que el p-valor y los estadísticos difieran. Aquí, lo que hemos hecho ha sido quitar el intercepto de nuestro modelo, alcanzado algunos niveles o categorías valores significativos. En esencia, los valores que se representan en la siguiente tabla con el título de Model Result es lo que se suele reportar en las publicaciones.

Seguir aprendiendo

Uno de los últimos pasos que se deben dar en cualquier meta-análisis es el del estudio del sesgo de publicación. En la siguiente entrada relacionada veremos cómo se solicita en RStudio y qué cuestiones hay que tener en cuenta. Puedes hacer clic en el siguiente botón para acceder al contenido:

Jacob Sierra Díaz y Alti