Modelos de selección y el problema del archivo vacío

El meta-análisis consiste en métodos cuantitativos para combinar evidencia de diferentes estudios sobre un tema particular. Una crítica frecuente al meta-análisis es que puede basarse en una muestra sesgada de todos los estudios realizados. En este documento, utilizamos modelos de selección, o distribuciones ponderadas, para abordar una fuente de sesgo, a saber, la falta de informes de estudios que no producen resultados estadísticamente significativos. Aplicamos modelos de selección a dos enfoques que se han sugerido para corregir el sesgo. El enfoque del tamaño de muestra a prueba de fallos calcula el número mínimo de estudios no publicados que muestran resultados no significativos que deben haberse llevado a cabo para revertir la conclusión alcanzada a partir de los estudios publicados. El enfoque de máxima verosimilitud utiliza una distribución ponderada para modelar el sesgo de selección en la generación de datos y estima varios parámetros de interés. Sugerimos el uso de familias de funciones de peso para modelar mecanismos de sesgo plausibles para estudiar la sensibilidad de las inferencias sobre tamaños de efecto. Usando un ejemplo, mostramos que el enfoque de máxima verosimilitud tiene varias ventajas sobre el enfoque del tamaño de muestra a prueba de fallos.