The meta-analytical random effects model with g tends to underestimate parameters: an alternative model

• Calabria Sen, Mario ^[1] ; Botella, Juan ^[1] ; Durán, Juan I.
  1. [1] Universidad Autónoma de Madrid

     Universidad Autónoma de Madrid

     Madrid, España

     
• Localización: Anales de psicología, ISSN-e 1695-2294, ISSN 0212-9728, Vol. 42, Nº. 1, 2026 (Ejemplar dedicado a: January - April (in progress); e07), pág. 4
• Idioma: inglés
• Títulos paralelos:
  • El modelo meta-analítico de efectos aleatorios con g tiende a infraestimar los parámetros: un modelo alternativo
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    The Classic Random Effects Model (CREM) has some limitations when using the standardized mean difference (SMD) as effect size index. Suero et al. (2025) have reformulated CREM as a Mixture Model (MM) and have developed unbiased estimators of the main parameters µδ and τ2. They compared their performance with two classic methods widely used: Restricted Maximum Likelihood (REML; Viechtbauer, 2005) and DerSimonian & Laird estimator (DL; 1986), finding small but systematic underestimations yielded by the classic procedures. The aim of this study is to check if Suero et al.’s (2025) results can be found beyond simulation contexts. For this purpose, we created three databases with real meta-analyses (MA) from clinical, experimental and educations fields of psychology. The results found are consistent with those found by Suero et al. (2025) being the mean estimates of MM higher than those of REML and DL. We also discuss about outliers found in real MAs such as bizarre effect sizes, disproportionated sample sizes or MAs with small numbers of primary studies.