Metaanálisis de matrices de correlación en presencia de multiplicidad jerárquica del tamaño del efecto

Área de la Ciencia:

• Psicología
• Estadística
• Metodología de Investigación

Sus antecedentes:

• El metaanálisis de matrices de correlación es vital para sintetizar la evidencia sobre las relaciones entre constructos.
• Los métodos metaanalíticos existentes a menudo pasan por alto la multiplicidad jerárquica del tamaño del efecto de múltiples muestras dentro de los estudios.
• Esta multiplicidad surge de la extracción de varias matrices de correlación por estudio (por ejemplo, de diferentes sitios o países).

Objetivo del estudio:

• Desarrollar y describir un nuevo enfoque de modelado multinivel, multivariante y de efectos aleatorios para el metaanálisis de matrices de correlación.
• Abordar el desafío de la multiplicidad jerárquica del tamaño del efecto en datos metaanalíticos.
• Proporcionar un marco flexible para la selección de modelos de línea base metaanalíticos apropiados.

Principales métodos:

• Se propone un marco de modelado multinivel, multivariante y de efectos aleatorios.
• El enfoque integra la agrupación de matrices de correlación con el manejo de la multiplicidad jerárquica del tamaño del efecto.
• Se presentan e ilustran cuatro modelos de trabajo específicos dentro de este marco.

Principales resultados:

• El enfoque propuesto agrupa eficazmente las matrices de correlación teniendo en cuenta las dependencias jerárquicas.
• Permite probar diferentes supuestos sobre las dependencias entre los efectos aleatorios.
• Se proporcionan ejemplos ilustrativos y código R para la aplicación práctica.

Conclusiones:

• El modelo desarrollado de efectos aleatorios multinivel y multivariante ofrece una solución robusta para el metaanálisis de matrices de correlación con datos jerárquicos.
• Este avance metodológico mejora la precisión y fiabilidad de las estimaciones de correlación agrupadas en la síntesis de la investigación.
• El enfoque facilita la selección informada de modelos para los metaanalistas que se ocupan de estructuras de datos complejas.