RStudio - Metafor | Meta-análisis convencional de efectos aleatorios

Hoy vamos a realizar un meta-análisis convencional con la base de datos que hemos ido introduciendo en las entradas anteriores. Puedes hacer clic en el siguiente botón para acceder a la base de datos que se va a emplear. 

Antes de comenzar...

Para realizar este meta-análisis, se recuerda que se tienen que tener activas las bibliotecas metafor y tidyverse: 

> library (metafor)

> library (tidyverse)

Para realizar este meta-análisis será necesario haber calculado los tamaños del efecto y sus varianzas previamente (yi y vi, respectivamente si se tiene en cuenta el análisis efectuado en RStudio). Puedes hacer clic en el siguiente botón para recordar cómo se realiza este procedimiento. 

1.1 | Efectos aleatorios globales

Lo primero que debemos hacer es realizar el cálculo del efectos aleatorios global (overall random effects, en inglés). Para ello usaremos la función rma (tamaño del efecto, varianza del tamaño del efecto. data = nombre de la base de datos). Normalmente la columna del tamaño del efecto tiene el nombre por defecto yi y su varianza xi (tal y como se vio en la entrada anterior). Sin embargo, como este procedimiento lo vamos a invocar después, conviene asignarle un nombre (nombre = función anterior o nombre <- función anterior). En este caso, le ponderemos el nombre globalalea (puede ser otro) y la función que habrá que correr (presionando la tecla RUN cuando se seleccione) será:

> globalalea = rma (yi, vi, data = MAbasico)

Si sirve para memorizar mejor la función, rma significa Random effect Meta-Analysis. Para ver este resultado, deberemos escribir el nombre asignado (globalalea) y hacer clic en RUN. 

1.2 | Interpretación de los resultados

Cuando se ejecute el nombre de la función descrita anteriormente (globalalea en este ejemplo), en la consola de R aparecerán los resultados del meta-análisis. 

Lo primero que vemos es el título del análisis seguido del número de artículos de la base de datos (k = 27) y el estimador tau al cuadrado (REML). Lo que más nos interesa ahora es ir a la parte de Model Results y ver el estimate, que es el tamaño del efecto global de los tamaños del efecto estandarizados de cada uno de los artículos objeto de análisis (estimate = 0.6106). En términos de andar por casa, la interpretación es similar a como se interpreta la d de Cohen, siendo un valor de 0,600 un efecto moderado. A continuación vemos el error estándar (se = 0.1143), el valor z (zvalue = 5.3409) y el p-valor que nos dice si es estadísticamente significativo el tamaño del efecto global (< 0.0001). En este caso, observamos que sí que lo es. A continuación vemos el límite inferior del intervalo de confianza (ci. lb = 0.3865) y el límite superior del intervalo de confianza (ci. ub = 0.8346)

2.1 | Estudio de la heterogeneidad

Lo siguiente que hay que ver es la heterogeneidad. No es necesario calcularla a parte porque ya se calcula por defecto con el procedimiento visto en el apartado 1.1. 

• Lo que primero se recomienda mirar es el Test for heterogeneity, que es un test q. Este estadístico nos informa de si la heterogeneidad es significativa en nuestro análisis (consultando el p-valor). En la práctica, cuando el p-valor es menor a 0,050 es conveniente complementarlo con un análisis de moderación. 

• A continuación, se debe mirar la I^2,  que se trata de un porcentaje que nos informa de cuánta variación tiene verdaderamente la heterogeneidad. Un valor entre el 70% y 100% se considera un porcentaje considerable. Recordemos que entre 50% y 70% se considera un valor sustancial. Sin lugar a dudas, en este ejemplo, estamos ante un caso realmente elevado, que nos debe invitar a la idea de hacer un análisis de moderación.

• Por último, se debe mirar el tau^2, que informa de la varianza estimada del verdadero efecto. Por tanto, este valor se interpreta como un tamaño del efecto como el de la diferencia de medias estandarizadas. Se trata, por tanto, de la varianza entre la heterogeneidad de los estudios objeto de estudios.