Cómo hacer Meta Análisis
🚀 Guía Completa de Meta-análisis con Jamovi
Una aproximación práctica al marketing y comportamiento del consumidor
🌟 ¡Bienvenidos al fascinante mundo del Meta-análisis!
Imaginen que son investigadores de mercado y tienen 20 estudios diferentes sobre la efectividad de la publicidad en redes sociales. Cada estudio muestra resultados ligeramente diferentes. ¿Cómo pueden combinar toda esta información para obtener una respuesta más precisa? ¡Ahí es donde entra el meta-análisis!
📖 ¿Qué es un Meta-análisis?
🗃️ Fuentes de Literatura Académica
- Business Source Premier: Base principal para negocios y marketing
- PsycINFO: Esencial para comportamiento del consumidor
- Google Scholar: Acceso amplio, incluye literatura gris
- SSRN: Working papers y investigación reciente
- ResearchGate: Acceso directo a autores
🔧 Resolución de Problemas Comunes
❗ Problemas Técnicos en Jamovi
🐛 Error: «Module MAJOR not compatible»
Solución:
- Verifica la versión de Jamovi (debe ser compatible con MAJOR)
- Desinstala y reinstala el módulo MAJOR
- Si persiste, usa la versión Legacy 1.2.27 para correlaciones
📊 Error: «Cannot compute effect size»
Causas comunes:
- Datos faltantes en columnas críticas
- Variables mal definidas (nominal vs continua)
- Valores imposibles (correlaciones > 1.0, n negativos)
📈 Problemas de Interpretación
🤔 «Mi heterogeneidad es muy alta (I² > 75%)»
No es necesariamente malo. Considera:
- ¿Es esperado dada la diversidad de estudios?
- ¿Puedes identificar moderadores explicativos?
- ¿Sigue siendo meaningful el efecto promedio?
- Considera modelo de efectos aleatorios
🎯 «Mi resultado no es significativo»
Recuerda:
- No significativo ≠ sin efecto
- Verifica el poder estadístico
- Considera equivalence testing
- Evalúa la precisión de la estimación
🔍 Problemas Metodológicos
⚠️ «Solo encuentro 3-4 estudios»
Estrategias:
- Amplía criterios de búsqueda
- Contacta autores para datos no publicados
- Considera análisis narrativo en lugar de cuantitativo
- Reporta limitaciones claramente
📋 «Los estudios son muy diferentes»
Opciones:
- Análisis de subgrupos por características clave
- Meta-regresión para variables continuas
- Análisis de sensibilidad excluyendo outliers
- Síntesis narrativa estructurada
💪 Ejercicios Prácticos
🏋️ Ejercicio 1: Meta-análisis de Correlaciones
📊 Caso: Satisfacción del Empleado y Productividad
Contexto: Una empresa quiere saber si la satisfacción laboral se correlaciona con productividad. Han encontrado 6 estudios.
📋 Datos para Practicar:
| Estudio | n | r |
|---|---|---|
| Smith_2019 | 156 | 0.34 |
| Garcia_2020 | 243 | 0.41 |
| Wong_2018 | 89 | 0.28 |
| Miller_2021 | 312 | 0.37 |
| Lopez_2019 | 178 | 0.45 |
| Chen_2020 | 267 | 0.31 |
🎯 Tareas:
- Importa los datos a Jamovi
- Realiza el meta-análisis usando MAJOR
- Interpreta: correlación combinada, IC 95%, significancia
- Evalúa heterogeneidad (I²)
- Examina el funnel plot para sesgos
- Redacta un párrafo de conclusiones
🏋️ Ejercicio 2: Meta-análisis de Diferencias
🎯 Caso: Email Marketing vs. SMS Marketing
Contexto: ¿Qué canal genera mayor tasa de conversión? Datos de 4 estudios experimentales.
| Estudio | n_email | conv_email | sd_email | n_sms | conv_sms | sd_sms |
|---|---|---|---|---|---|---|
| Tech_2020 | 500 | 12.4 | 3.2 | 480 | 15.1 | 3.8 |
| Retail_2019 | 650 | 8.7 | 2.1 | 630 | 11.2 | 2.9 |
| Service_2021 | 340 | 14.2 | 4.1 | 350 | 17.8 | 4.5 |
| Fashion_2020 | 420 | 10.1 | 2.8 | 410 | 13.4 | 3.3 |
🎯 Tareas Avanzadas:
- Configura el análisis de diferencias de medias
- Calcula Cohen’s d combinado
- Evalúa si hay diferencias por sector (subgroup analysis)
- Determina el número necesario para tratar (NNT)
- Redacta recomendaciones para la dirección
🧠 Ejercicio de Pensamiento Crítico
🤔 Escenario: Meta-análisis Controversial
Has completado un meta-análisis sobre la efectividad de la publicidad subliminal y encontraste:
- Efecto pequeño pero significativo (d = 0.23, p = 0.03)
- Alta heterogeneidad (I² = 78%)
- Funnel plot asimétrico
- Fail-safe N = 12 (bajo)
- Solo 8 estudios incluidos
❓ Preguntas para Reflexionar:
- ¿Confiarías en este resultado para tomar decisiones de negocio?
- ¿Qué factores podrían explicar la alta heterogeneidad?
- ¿Cómo interpretas la asimetría del funnel plot?
- ¿Qué análisis adicionales recomendarías?
- ¿Cómo comunicarías estos resultados a stakeholders?
🎭 Casos Especiales en Marketing
🌍 Meta-análisis Cross-Cultural
🗺️ Desafío: Efectividad Global de Estrategias
¿Una campaña que funciona en Estados Unidos funcionará en Perú? Los meta-análisis cross-culturales son cruciales para:
- Expansión internacional
- Adaptación cultural de productos
- Estrategias de comunicación globales vs. locales
🔧 Consideraciones Especiales
- Hofstede’s dimensions: Individualismo, distancia al poder, etc.
- Desarrollo económico: Mercados emergentes vs desarrollados
- Context variables: Regulaciones, competencia, infraestructura
📱 Meta-análisis de Plataformas Digitales
⚡ Desafío: Evolución Tecnológica Rápida
Las plataformas digitales evolucionan constantemente. Consideraciones especiales:
- Obsolescencia rápida: ¿Son relevantes estudios de hace 5 años?
- Efectos de red: El contexto competitivo cambia los resultados
- Generational effects: Nativos digitales vs. inmigrantes digitales
🏪 Meta-análisis de Retail Experience
🛍️ Caso: Omnichannel vs. Single Channel
Pregunta: ¿Los clientes omnichannel tienen mayor lifetime value?
🎯 Variables Moderadoras Clave:
- Tipo de producto: Hedónico vs. utilitario
- Frecuencia de compra: Alta vs. baja
- Demographics: Edad, género, educación
- Madurez digital: Del retailer y del mercado
⚙️ Configuración de Análisis
- Sub-group analysis por tipo de producto
- Meta-regresión con % de ventas online del retailer
- Análisis de sensibilidad por metodología de medición
🚀 El Futuro del Meta-análisis
🤖 IA y Automatización
🔮 Tendencias Emergentes
- Automated screening: IA para selección inicial de papers
- Real-time meta-analysis: Actualización continua con nuevos estudios
- Individual participant data (IPD): Meta-análisis con datos raw
- Network meta-analysis: Comparaciones indirectas de múltiples tratamientos
📊 Big Data y Meta-análisis
💡 Nuevas Posibilidades
- Corporate data pools: Meta-análisis con datos internos de múltiples empresas
- Social media meta-analysis: Combinando análisis de sentiment de múltiples plataformas
- Real-time effect sizes: Monitoreo continuo de efectividad de campañas
🎯 Implicaciones para Estudiantes UNASAM
- Desarrolla habilidades en análisis cuantitativo
- Aprende programación básica (R, Python)
- Comprende metodología de investigación robusta
- Mantente actualizado con herramientas emergentes
- Practica pensamiento crítico sobre evidencia
🎓 Reflexiones Finales
🌟 El Meta-análisis como Superpoder del Marketing
Has aprendido una herramienta que te convierte en un «Sherlock Holmes» de la investigación en marketing. Puedes tomar pistas dispersas (estudios individuales) y construir una imagen completa y confiable de la realidad.
🎯 Competencias Desarrolladas
🧠 Habilidades Técnicas
- ✅ Uso profesional de Jamovi para meta-análisis
- ✅ Interpretación crítica de estadísticas de heterogeneidad
- ✅ Evaluación de sesgos de publicación
- ✅ Traducción de efectos estadísticos a valor de negocio
🎭 Habilidades Conceptuales
- ✅ Pensamiento crítico sobre evidencia científica
- ✅ Integración de múltiples perspectivas de investigación
- ✅ Comunicación efectiva de resultados complejos
- ✅ Toma de decisiones basada en evidencia robusta
🚀 Tu Próximo Paso
💼 Aplicaciones Inmediatas
- Tesis de grado: Usa meta-análisis para tu investigación
- Prácticas profesionales: Propón análisis basados en evidencia
- Proyectos de curso: Integra múltiples estudios en tus trabajos
- Decisiones de negocio: Evalúa estrategias con evidencia científica
📞 Recursos de Apoyo UNASAM
📚 Glosario Ejecutivo
- Cohen’s d: Medida de tamaño de efecto estandarizada
- Forest Plot: Visualización de efectos individuales y combinados
- Funnel Plot: Gráfico para detectar sesgos de publicación
- Heterogeneidad (I²): Medida de variabilidad entre estudios
- IC 95%: Intervalo de confianza al 95%
- REML: Restricted Maximum Likelihood (método de estimación)
- Fisher’s Z: Transformación para normalizar correlaciones
🎉 ¡Felicitaciones!
Has completado una guía de nivel profesional en meta-análisis. Estas habilidades te distinguirán en tu carrera y te convertirán en un tomador de decisiones más efectivo y confiable.
¡Ahora sal ahí y cambia el mundo del marketing con evidencia sólida! 🚀
Un meta-análisis es como ser un «detective de la investigación». Tomamos múltiples estudios que investigaron la misma pregunta y los combinamos estadísticamente para obtener una respuesta más poderosa y confiable.
🎯 ¿Por qué es importante en Marketing?
En marketing, constantemente necesitamos tomar decisiones basadas en evidencia. Por ejemplo:
- ¿Los colores rojos realmente aumentan las ventas? – Combinando 15 estudios sobre psicología del color
- ¿Las promociones de descuento afectan la percepción de calidad? – Integrando investigaciones de diferentes países
- ¿El marketing de influencers es más efectivo que la publicidad tradicional? – Analizando estudios de diferentes sectores
🎪 Analogía del Circo de Datos
Imaginen que cada estudio individual es como un acróbata en el circo:
- 🤸♂️ Acróbatas experimentados (estudios grandes): Más estables, menos propensos a caerse
- 🤸♀️ Acróbatas novatos (estudios pequeños): Más variables, pueden tener actuaciones espectaculares o desastrosas
- 🎪 El meta-análisis es el director del circo: Coordina a todos los acróbatas para crear un espectáculo coherente y poderoso
🧠 Fundamentos Teóricos del Meta-análisis
📊 El Problema del Tamaño de Muestra
🎯 Ejemplo de Marketing Digital
Supongamos que queremos estudiar la relación entre el tiempo de carga de una página web y la tasa de conversión:
- Estudio con n=50: Encuentra una correlación de -0.45 (muy fuerte, negativa)
- Estudio con n=100: Encuentra una correlación de -0.23 (moderada, negativa)
- Estudio con n=1000: Encuentra una correlación de -0.31 (moderada-fuerte, negativa)
- Estudio con n=5000: Encuentra una correlación de -0.28 (moderada, negativa)
🎯 Poder Estadístico y Estabilidad
📈 Conceptos Clave:
- Poder Estadístico: La capacidad de detectar un efecto real cuando existe
- Estabilidad: Qué tan consistentes son los resultados entre diferentes muestras
- Error Estándar: Medida de incertidumbre en nuestras estimaciones
🛍️ Aplicación en Comportamiento del Consumidor
Imaginemos que estamos estudiando la efectividad de diferentes estrategias de precios psicológicos ($9.99 vs $10.00):
- Estudio en tienda pequeña (n=100): Puede mostrar diferencias dramáticas por factores aleatorios
- Estudio en cadena nacional (n=10,000): Resultados más confiables y generalizables
- Meta-análisis de 20 estudios: ¡La mejor estimación posible del efecto real!
🌳 Diagramas Fundamentales
🌲 Diagrama de Bosque (Forest Plot)
📊 El Forest Plot es como un «ranking de credibilidad» de estudios
Cada línea horizontal representa un estudio, donde:
- 🔲 Cuadrado: Efecto encontrado (tamaño = credibilidad del estudio)
- ↔️ Línea horizontal: Intervalo de confianza (incertidumbre)
- 💎 Diamante inferior: Resultado combinado del meta-análisis
📈 Diagrama de Embudo (Funnel Plot)
🕳️ El Funnel Plot es como un «detector de sesgos»
Características:
- 📐 Forma de embudo: Estudios grandes arriba (más precisos), pequeños abajo (más variables)
- ⚖️ Simetría: Si es simétrico = buena evidencia; asimétrico = posible sesgo
- 🎯 Línea central: Efecto estimado del meta-análisis
⚠️ Sesgos en la Investigación
📰 Sesgo de Publicación
Problema: Los journals tienden a publicar solo resultados «significativos» o «interesantes»
En Marketing: Se publican más estudios que muestran que una estrategia «funciona» que estudios que muestran que «no funciona»
Consecuencia: Sobrestimación de efectos reales
🎯 Sesgo de Selección
Problema: Los investigadores pueden seleccionar solo estudios que apoyen sus hipótesis
Solución: Búsqueda sistemática y transparente de TODOS los estudios relevantes
💻 Preparación del Entorno: Jamovi
🎮 ¿Por qué Jamovi?
Jamovi es como el «Photoshop gratuito» del análisis estadístico. Es:
- ✅ Completamente gratuito (¡perfecto para estudiantes!)
- 🖱️ Interfaz gráfica intuitiva (no necesitas programar)
- 🔧 Modular (puedes agregar funciones específicas)
- 💪 Muy poderoso (basado en R, pero más fácil de usar)
🌐 Descarga e Instalación
- Visita
jamovi.org - Haz clic en «Download»
- Selecciona tu sistema operativo (Windows/Mac/Linux)
- Instala siguiendo las instrucciones normales
⚠️ Consideración Importante de Versiones
Para Meta-análisis de Correlaciones:
- 🔄 Versión Actual (1.8+): Tiene un bug conocido en correlaciones
- ✅ Versión Legacy (1.2.27): Funciona perfectamente para correlaciones
- 💡 Recomendación: Usar versión legacy hasta que se corrija el bug
🧩 Instalación del Módulo MAJOR
- Abre Jamovi
- Ve a la sección «Modules» (icono de puzzle)
- Busca «MAJOR» en la biblioteca
- Haz clic en «Install»
- Espera a que se complete la instalación
📁 Preparación de Datos
📋 Estructura de Datos Requerida
Los datos deben estar organizados como una «tabla de ingredientes» para nuestro meta-análisis:
| 🏷️ Componente | 📝 Descripción | 🎯 Ejemplo Marketing |
|---|---|---|
| Identificador | Nombre único del estudio | «Smith_2019», «Lopez_2020» |
| Tamaño de Muestra (n) | Número de participantes | 250, 180, 320 |
| Efecto | Correlación, diferencia de medias, etc. | 0.34, -0.12, 0.28 |
📊 Meta-análisis de Correlaciones
🎯 Caso Práctico: Satisfacción del Cliente vs. Lealtad de Marca
Supongamos que queremos meta-analizar 8 estudios que investigaron la correlación entre satisfacción del cliente y lealtad de marca en diferentes sectores (tecnología, retail, servicios, etc.)
📋 Preparación de Datos para Correlaciones
📊 Estructura de Base de Datos
Necesitamos exactamente 3 columnas:
- Identificador: Nombre del estudio
- n: Tamaño de muestra
- r: Coeficiente de correlación
| 🏷️ Estudio | 👥 n | 📈 r | 🏢 Sector |
|---|---|---|---|
| Garcia_2019 | 245 | 0.67 | Retail |
| Kim_2020 | 180 | 0.54 | Tecnología |
| Rodriguez_2021 | 320 | 0.72 | Servicios |
| Chen_2018 | 156 | 0.48 | Alimentación |
| Johnson_2020 | 289 | 0.61 | Automotriz |
📥 Importar Datos a Jamovi
- Guarda tu base de datos en Excel (.xlsx) o CSV
- En Jamovi: Menú principal (☰) → «Import»
- Selecciona tu archivo
- Verifica que las variables tengan el tipo correcto:
- Identificador: Nominal
- n: Continua
- r: Continua
🔧 Configurar el Meta-análisis
- Ve a «Modules» → «MAJOR»
- Selecciona «Correlation Coefficient»
- Asigna las variables:
- Effect Size: tu columna «r»
- Sample Size: tu columna «n»
- Study Label: tu columna de identificador
📊 Configuración Avanzada
Transformaciones importantes:
- ✅ Fisher’s Z Transformation: Se recomienda SIEMPRE (hace las correlaciones más «normales»)
- 📈 Modelo: Usar «Restricted Maximum Likelihood» (REML)
- 🎯 Intervalos de Confianza: 95% (estándar)
🔍 Interpretación de Resultados
📈 Elementos Clave del Output
- Efecto Combinado (Overall Effect): La correlación meta-analizada
- Intervalos de Confianza: Rango de valores plausibles
- Valor p: Significancia estadística
- Heterogeneidad: Qué tan diferentes son los estudios entre sí
🎯 Ejemplo de Interpretación
Resultado hipotético:
- Correlación meta-analizada: r = 0.58
- IC 95%: [0.52, 0.64]
- p < 0.001
- I² = 23% (heterogeneidad baja)
Interpretación en marketing: «Existe una correlación fuerte y significativa (r = 0.58) entre satisfacción del cliente y lealtad de marca. Podemos estar 95% seguros de que la correlación real está entre 0.52 y 0.64. Los estudios son relativamente consistentes entre sí (baja heterogeneidad).»
📊 Forest Plot: Tu Mejor Amigo
🌲 Leyendo el Forest Plot
- Cada línea = un estudio
- Cuadrado = efecto encontrado (tamaño = peso/credibilidad)
- Línea horizontal = intervalo de confianza (incertidumbre)
- Diamante = resultado combinado (¡tu gold standard!)
🕳️ Funnel Plot: Detector de Sesgos
⚠️ Señales de Alarma en el Funnel Plot
- Asimetría pronunciada: Posible sesgo de publicación
- «Agujeros» en la base: Faltan estudios pequeños con ciertos resultados
- Estudios fuera del «embudo»: Outliers que necesitan investigación
🧮 Estadísticas de Sesgo de Publicación
🔍 Fail-Safe N
¿Cuántos estudios «nulos» necesitaríamos para que nuestro resultado deje de ser significativo?
Regla práctica: Si Fail-Safe N > 5k + 10 (donde k = número de estudios), el resultado es robusto
📊 Regresión de Egger
¿Qué evalúa? Si hay una relación sistemática entre el tamaño del efecto y la precisión del estudio
- p > 0.05: No hay evidencia de sesgo ✅
- p < 0.05: Posible sesgo de publicación ⚠️
📈 Meta-análisis de Diferencias entre Grupos
🎯 Caso Práctico: Efectividad de Cupones vs. Descuentos Directos
Supongamos que queremos meta-analizar estudios que compararon la intención de compra entre consumidores que recibieron cupones versus descuentos directos. Cada estudio midió la intención de compra en una escala de 1-10.
📋 Preparación de Datos para Diferencias
📊 Estructura de Base de Datos
Necesitamos 7 columnas:
- Identificador: Nombre del estudio
- n1: Tamaño grupo 1 (ej: cupones)
- media1: Media grupo 1
- sd1: Desviación estándar grupo 1
- n2: Tamaño grupo 2 (ej: descuentos directos)
- media2: Media grupo 2
- sd2: Desviación estándar grupo 2
| 🏷️ Estudio | 👥 n1 | 📊 Media1 | 📏 SD1 | 👥 n2 | 📊 Media2 | 📏 SD2 |
|---|---|---|---|---|---|---|
| Martinez_2020 | 120 | 7.8 | 1.2 | 115 | 7.1 | 1.4 |
| Wang_2019 | 89 | 8.2 | 1.0 | 92 | 7.5 | 1.3 |
| Brown_2021 | 156 | 7.6 | 1.5 | 162 | 6.9 | 1.6 |
| Silva_2020 | 203 | 8.0 | 1.1 | 198 | 7.3 | 1.2 |
🔧 Configurar el Análisis en Jamovi
- Importa tus datos siguiendo el proceso anterior
- Ve a «MAJOR» → «Mean Difference»
- Asigna cada columna a su variable correspondiente:
- Sample Size Group 1: n1
- Mean Group 1: media1
- SD Group 1: sd1
- Sample Size Group 2: n2
- Mean Group 2: media2
- SD Group 2: sd2
- Study Label: identificador
⚙️ Configuración de Medidas de Efecto
Opciones principales:
- Cohen’s d: Diferencia estandarizada (más común)
- Hedges’ g: Cohen’s d corregido para muestras pequeñas
- Raw Mean Difference: Diferencia en unidades originales
📏 Interpretación de Cohen’s d
| 📊 Valor de d | 📈 Interpretación | 🎯 Ejemplo Marketing |
|---|---|---|
| 0.2 | Efecto pequeño | Diferencia mínima perceptible |
| 0.5 | Efecto moderado | Diferencia prácticamente relevante |
| 0.8 | Efecto grande | Diferencia substancial y evidente |
🔍 Interpretación Avanzada
🎯 Ejemplo de Interpretación Completa
Resultado hipotético:
- Cohen’s d = 0.67
- IC 95%: [0.41, 0.93]
- p < 0.001
- I² = 34% (heterogeneidad moderada)
Interpretación para directivos: «Los cupones generan una intención de compra significativamente mayor que los descuentos directos, con un efecto moderado-grande (d = 0.67). Esto significa que usar cupones podría incrementar la intención de compra en aproximadamente 0.67 desviaciones estándar. El efecto es consistente entre estudios, aunque existe cierta variabilidad que podría deberse a diferencias en sectores o poblaciones.»
💰 Traduciendo a Valor de Negocio
Pregunta clave: ¿Qué significa prácticamente un d = 0.67?
- Si la escala era 1-10 con SD = 1.5, la diferencia real es: 0.67 × 1.5 = 1.0 punto
- Si cupones promediaron 7.8 y descuentos 7.1, ¡confirmamos nuestra diferencia!
- Esto podría traducirse en X% más conversiones o Y% más ventas
🔍 Interpretación Crítica de Resultados
🎯 Heterogeneidad: ¿Estamos Comparando Peras con Manzanas?
📊 Estadísticos de Heterogeneidad
| 📈 Estadístico | 🎯 Interpretación | 📏 Valores |
|---|---|---|
| I² | % de variabilidad por diferencias reales | 0-25%: baja | 25-75%: moderada | >75%: alta |
| Q-test | ¿Hay heterogeneidad significativa? | p < 0.05: heterogeneidad presente |
| Tau² | Varianza entre estudios | Cerca de 0: homogéneo |
⚠️ ¿Qué hacer si hay alta heterogeneidad?
- Investigar moderadores: ¿Sector? ¿País? ¿Metodología?
- Análisis de subgrupos: Analizar por separado diferentes categorías
- Meta-regresión: Modelar la heterogeneidad con variables continuas
- Modelo de efectos aleatorios: Reconocer que existe variabilidad real
🕵️ Análisis de Sensibilidad
🔍 Técnicas de Robustez
- Leave-one-out: ¿Cambia el resultado si remuevo cada estudio?
- Análisis de influencia: ¿Hay estudios que dominan el resultado?
- Trim and fill: ¿Cómo cambiaría con estudios «faltantes»?
📈 Intervalos de Predicción
🔮 Más Allá de la Confianza
Intervalo de Confianza: «¿Dónde está el efecto promedio?»
Intervalo de Predicción: «¿Qué rango de efectos espero en futuros estudios?»
Relevancia en Marketing: Si planeas implementar una estrategia, el intervalo de predicción te dice qué rango de resultados podrías esperar en TU contexto específico.
🎯 Casos Prácticos en Marketing
📱 Caso 1: Marketing Digital – Efectividad de Influencers
🎬 Pregunta de Investigación
«¿Cuál es la correlación entre el número de seguidores de un influencer y la tasa de engagement de sus publicaciones promocionales?»
📊 Datos Hipotéticos
- 12 estudios de diferentes plataformas (Instagram, TikTok, YouTube)
- Correlaciones van desde -0.23 hasta 0.45
- Tamaños de muestra: 89 a 2,847 influencers
🔍 Proceso de Análisis
- Preparar datos: ID_estudio, n, correlación
- Meta-análisis: MAJOR → Correlation Coefficient
- Examinar heterogeneidad: ¿Difiere por plataforma?
- Análisis de subgrupos: Instagram vs TikTok vs YouTube
💡 Resultado Hipotético e Implicaciones
r = 0.15 [IC 95%: 0.08, 0.22], p < 0.01, I² = 67%
- 📈 Hallazgo: Correlación positiva pero débil
- ⚠️ Heterogeneidad alta: Varía mucho entre estudios
- 🎯 Implicación: Los mega-influencers no necesariamente tienen mejor engagement
- 💰 Estrategia: Considerar micro-influencers para mejor ROI
🛍️ Caso 2: Comportamiento del Consumidor – Precios Psicológicos
💲 Pregunta de Investigación
«¿Qué tan efectivos son los precios que terminan en 9 ($9.99) comparados con precios redondos ($10.00) en aumentar la intención de compra?»
📊 Diseño del Meta-análisis
- Tipo: Diferencias entre grupos
- Grupo 1: Precios terminados en 9
- Grupo 2: Precios redondos
- Variable dependiente: Intención de compra (escala 1-7)
🔧 Configuración en Jamovi
- MAJOR → Mean Difference
- Variables: n1, media1, sd1, n2, media2, sd2
- Medida de efecto: Cohen’s d
- Modelo: Efectos aleatorios (REML)
📈 Análisis de Moderadores
- Categoría de producto: ¿Difiere en productos de lujo vs básicos?
- Rango de precio: ¿El efecto cambia con precios altos vs bajos?
- Cultura: ¿Varía entre países occidentales vs asiáticos?
📺 Caso 3: Publicidad – Emociones vs. Información
🎭 Pregunta de Investigación
«¿Son más efectivos los anuncios que apelan a emociones o los que proporcionan información factual en generar actitudes favorables hacia la marca?»
🧠 Consideraciones Metodológicas
- Definición operacional: ¿Cómo se midió «emocional» vs «informativo»?
- Escalas de medición: ¿Actitud hacia anuncio vs marca vs intención?
- Timing: ¿Efectos inmediatos vs diferidos?
⚖️ Análisis de Sesgo
- Funnel plot: ¿Faltan estudios con resultados nulos?
- P-curve: ¿Los p-values sugieren prácticas cuestionables?
- Fail-safe N: ¿Cuántos estudios nulos necesitaríamos?
🎨 Plantilla para Tu Propio Meta-análisis
📋 Checklist de Planificación
- ✅ Definir pregunta PICO:
- P: Población (consumidores, empresas, etc.)
- I: Intervención (estrategia A)
- C: Comparación (estrategia B o control)
- O: Outcome (resultado de interés)
- ✅ Criterios de inclusión/exclusión claros
- ✅ Estrategia de búsqueda sistemática
- ✅ Evaluación de calidad de estudios
- ✅ Plan de análisis pre-especificado
✨ Buenas Prácticas y Errores Comunes
✅ Buenas Prácticas
🎯 Planificación
- Pre-registro: Define tu protocolo antes de comenzar
- Búsqueda exhaustiva: No solo PubMed, incluye literatura gris
- Evaluación independiente: Al menos 2 revisores
- Resolución de conflictos: Protocolo claro para discrepancias
📊 Análisis
- Modelo apropiado: Efectos fijos vs aleatorios según contexto
- Explorar heterogeneidad: No ignorar las diferencias
- Análisis de sensibilidad: Probar robustez de resultados
- Evaluar sesgos: Múltiples métodos, no solo funnel plot
❌ Errores Comunes
🚫 Errores de Principiante
- «Mixing apples and oranges»: Combinar estudios demasiado diferentes
- Ignorar heterogeneidad: Usar efectos fijos cuando hay variabilidad real
- Double-counting: Incluir múltiples análisis del mismo dataset
- Unit of analysis error: Confundir participantes con estudios
📈 Errores Estadísticos
- Multiple testing: No ajustar para comparaciones múltiples
- Correlation vs causation: Inferir causalidad de correlaciones
- Simpson’s paradox: No considerar variables confusoras
- Publication bias ignorance: Asumir que literatura publicada = realidad
🎯 Recomendaciones Específicas para Marketing
🎪 Consideraciones Especiales
- Contexto cultural: Los efectos pueden variar dramáticamente entre culturas
- Evolución temporal: Las estrategias pueden volverse menos efectivas con el tiempo
- Competencia: Los efectos pueden depender del contexto competitivo
- Segmentación: Lo que funciona para un segmento puede fallar en otro
📚 Recursos Adicionales y Profundización
📖 Literatura Recomendada
📚 Libros Fundamentales
- Borenstein et al. (2021): «Introduction to Meta-Analysis» 2nd Edition
- Higgins & Green (2019): «Cochrane Handbook for Systematic Reviews»
- Card (2012): «Applied Meta-Analysis for Social Science Research»
📄 Papers Clave en Marketing
- Palmatier et al. (2018): «Review articles: Purpose, process, and structure»
- Geyskens et al. (2009): «A review and evaluation of meta-analysis practices in management research»
- Eisend (2017): «Meta-analysis in advertising research»
🛠️ Herramientas Complementarias
| 🔧 Herramienta | 💰 Costo | 🎯 Especialidad | 📈 Nivel |
|---|---|---|---|
| Jamovi + MAJOR | Gratuito | Meta-análisis básico | Principiante |
| R + metafor | Gratuito | Meta-análisis avanzado | Avanzado |
| RevMan | Gratuito | Reviews sistemáticos | Intermedio |
| Comprehensive Meta-Analysis | Pago | Interface amigable | Intermedio |