Actualmente estoy trabajando en un metanálisis, para el cual necesito analizar múltiples tamaños de efectos anidados dentro de las muestras. Soy parcial al enfoque de metanálisis de tres niveles de Cheung (2014) para el metanálisis de tamaños de efectos dependientes, a diferencia de algunas de las otras estrategias posibles (por ejemplo, ignorar la dependencia, promediar los tamaños de efectos dentro de los estudios, seleccionar un tamaño de efecto o desplazando la unidad de análisis). Muchos de mis tamaños de efectos dependientes son correlaciones que involucran variables bastante distintivas (pero relacionadas tópicamente), por lo que promediarlas no tiene sentido conceptual, e incluso si lo hiciera, reduciría mi número de tamaños de efectos totales para analizar en casi la mitad.
Al mismo tiempo, sin embargo, también estoy interesado en utilizar el método de Stanley y Doucouliagos (2014) para abordar el sesgo de publicación en el curso de la estimación de un efecto metaanalítico. En pocas palabras, uno se ajusta a un modelo de meta-regresión que predice los tamaños del efecto del estudio por sus respectivas variaciones (la prueba de efecto de precisión o PET), o sus respectivos errores estándar (la estimación del efecto de precisión con errores estándar, o PEESE). Dependiendo de la importancia de la intercepción en el modelo PET, uno usa la intercepción del modelo PET (si la intercepción PET p > .05) o el modelo PEESE (si la intercepción PET p <.05) como la publicación estimada tamaño del efecto medio sin sesgo.
Mi problema, sin embargo, se deriva de este extracto de Stanley y Doucouliagos (2014):
En nuestras simulaciones, siempre se incluye el exceso de heterogeneidad inexplicable; así, según la práctica convencional, REE [estimadores de efectos aleatorios] debería preferirse a FEE [estimadores de efectos fijos]. Sin embargo, la práctica convencional es incorrecta cuando hay selección de publicación. Con la selección de significación estadística, REE siempre está más sesgado que FEE (Tabla 3). Esta inferioridad predecible se debe al hecho de que REE es en sí mismo un promedio ponderado de la media simple, que tiene el mayor sesgo de publicación, y FEE.
Este pasaje me lleva a creer que no debería usar PET-PEESE en modelos metaanalíticos de efectos aleatorios / efectos mixtos, pero un modelo metaanalítico multinivel parecería requerir un estimador de efectos aleatorios.
Estoy desgarrado sobre qué hacer. Quiero poder modelar todos mis tamaños de efectos dependientes, pero al mismo tiempo aprovechar este método particular para corregir el sesgo de publicación. ¿Hay alguna forma de integrar legítimamente la estrategia de metanálisis de 3 niveles con PET-PEESE?
Referencias
Cheung, MWL (2014). Modelado de tamaños de efectos dependientes con metaanálisis de tres niveles: un enfoque de modelado de ecuaciones estructurales. Métodos psicológicos , 19 , 211-229.
Stanley, TD y Doucouliagos, H. (2014). Aproximaciones de meta-regresión para reducir el sesgo de selección de publicación. Research Synthesis Methods , 5 , 60-78.