Meta-Análisis

Skill especializado para meta-análisis cuantitativo. Tras completar L1-L8 en la revisión sistemática, se expande significativamente desde L9 en adelante para formar un flujo de trabajo completo de combinación cuantitativa. La estadística R se ejecuta directamente mediante Rscript en el entorno R local de Claude Code (metafor, etc.), y la salida original (summary / warnings / sessionInfo) se incorpora en el paquete de auditoría, con luces rojas calculadas por R (no por el LLM al leer números), y se integra con ssci-plots para generar forest/funnel plot.

Entrada rápida: El primer paso ejecutable se encuentra en §3 (flujo de inicio del agente principal) + §4.2 L9.1 (extracción del tamaño del efecto). Métodos detallados en references/ + scripts/ + la base SSOT.

1. Activación y escenarios aplicables

1.1 Frases de activación

Inglés: meta-analysis, effect size pooling, random-effects model, forest plot, funnel plot, heterogeneity I-squared, meta-regression, subgroup analysis, Hunter-Schmidt, RVE meta-analysis, three-level meta-analysis, MASEM, meta-analytic SEM, reliability generalization, p-curve, PET-PEESE, RoBMA, metafor, psychmeta.

Español: meta-análisis, combinación de tamaños del efecto, modelo de efectos aleatorios, forest plot, funnel plot, heterogeneidad I al cuadrado, meta-regresión, análisis de subgrupos, meta-análisis psicológico, meta-análisis de escalas, generalización de fiabilidad, meta-análisis psicométrico, tamaño del efecto dependiente, meta-análisis RVE, meta-análisis de tres niveles, sesgo de publicación, p-curve.

1.2 Activación inversa (no aplicable / cambiar a otro Skill)

Escenario del usuario	Cambiar a
Solo búsqueda/cribado/RoB (L1-L8), sin combinación	`systematic-review`
Solo síntesis cualitativa de evidencia (sin tamaño del efecto)	`systematic-review` (vía cualitativa) o `literature-set-review`
Conjunto de literatura ya recopilado para escribir una revisión sin combinación	`literature-set-review`
Revisión narrativa / de alcance / integradora	`field-overview-review`
Revisión histórica de 50/30 años de desarrollo en un campo	`field-evolution-review`
Construcción teórica / análisis de constructo / comparación de teorías opuestas	`theoretical-review`
Renderizar forest/funnel plot	`ssci-plots` (integración)

1.3 Indicaciones de condiciones de activación

Escenario psicológico (lectura obligatoria por defecto): Las palabras clave de activación incluyen constructos psicológicos, escalas (BDI, SCL-90, Big Five, etc.), revistas APA, JARS, crisis de replicación. Cargar también SSOT-PSYCHOLOGY-SUPPLEMENTS.md (con 8 temas).
Escenario en chino: El usuario se comunica en chino, menciona "Acta Psychologica Sinica", "Advances in Psychological Science", CNKI, GB/T 7714. Cargar también SSOT-CHINESE-CONTEXT.md.
Meta-análisis en red: El usuario compara ≥3 tratamientos o menciona NMA / network meta-analysis. Cargar también SSOT-SYNTHESIS-METHODS.md §4.

2. Supuestos (L1-L8 ya completados)

Este Skill asume que L1-L8 ya están completados: el usuario ha completado (a través de systematic-review o por su cuenta) la construcción de la pregunta de investigación, búsqueda, cribado, extracción y RoB (ver §13 e integración con systematic-review). Si L1-L8 no están completados, el agente principal debe sugerir primero cambiar a systematic-review.

3. Rol y responsabilidades del agente principal

Eres el coordinador, el juez y el planificador, no el ejecutor. Cada Subagente debe utilizar el modelo más potente disponible actualmente (del mismo nivel que el agente principal, sin reducir costes); bloqueo por defecto; múltiples agentes en el mismo mensaje = paralelo.

3.1 Lectura obligatoria del agente principal (cargar inmediatamente al iniciar, sin esperar la tabla de decisión "cuándo cargar")

Tras la activación del Skill, el agente principal carga inmediatamente los siguientes SSOT, sin permitir que se carguen "bajo demanda" más adelante en el flujo de trabajo:

Lectura obligatoria compartida por los 6 Skills (obligatoria):

review-methodology-foundations/references/SSOT-AI-FAILURE-DEFENSES.md (4 tipos de modos de fallo del LLM y defensas — MA 4 tipos todos CORE, §2 §3 reforzados)
review-methodology-foundations/references/SSOT-LIFECYCLE-12-PHASES.md (confirmar la fase actual en cualquier punto)
review-methodology-foundations/references/SSOT-METHODOLOGY-TERMINOLOGY.md (unificación terminológica entre fases)

Lectura obligatoria específica de MA:

SSOT-EFFECT-SIZE-DECISION.md (lectura obligatoria para L9.1)
SSOT-SYNTHESIS-METHODS.md (L9.4 selección de modelo / L9.5 heterogeneidad / L9.9 sesgo de publicación)
SSOT-PSYCHOLOGY-SUPPLEMENTS.md (escenario psicológico, lectura obligatoria por defecto, contiene 8 temas)

Elementos de defensa fuerte de MA en SSOT-AI-FAILURE-DEFENSES (4 tipos todos CORE, §2 §3 reforzados):

§2 Refuerzo contra exageración del efecto: Además de la tabla de Cohen, añadir estándares estrictos de Funder & Ozer 2019; IC obligatorio extendido a todos los resultados de subgrupo/meta-regresión
§3 Refuerzo contra alucinación de confianza: Si la heterogeneidad I² > 75%, no presentar el efecto combinado; lista obligatoria de sesgo de publicación = funnel (contour-enhanced) + prueba de regresión (Egger / Peters / Harbord, enrutada según el tipo de tamaño del efecto) + al menos 1 suplemento psicológico (p-curve / p-uniform* / PET-PEESE / selection models / RoBMA); trim-and-fill solo como análisis de sensibilidad (coherente con §4.2 L9.9)

3.2 Flujo de inicio (primera guía de paso ejecutable)

El orden de despacho sigue el flujo de trabajo §4: 0. Preflight de entrada de MA (cierra BK-1): Antes de despachar L9.1, confirmar que decisions/01/02/07/08 están listos — Ruta combinada producida por SR L1-L8; Entrada MA independiente (usuario ya completó L1-L8 por su cuenta y entra directamente a MA) debe, según §3.3 "Andamio de entrada MA independiente", copiar las plantillas de decisions_templates/ y rellenar estos 4 archivos. Falta cualquiera bloquea L9.1 (ejecutar sin leer los archivos de decisión viola la lectura obligatoria de §3.3).

Despachar L9.1 Effect-Size-Extractor (primer paso ejecutable, ver §4.2) → tamaño del efecto + SE por estudio
L9.2-L9.4 en serie (corrección → dependencia → selección de modelo)
L9.5 Heterogeneidad primero (su señal de bloqueo determina si L9.6/L9.7 son obligatorios) → L9.6/L9.7 pueden ser paralelos; L9.8 Sensibilidad debe ser en serie después de L9.5 (leave-one-out / FE vs RE / comparación de estimadores de τ² dependen de la línea base del modelo establecida en L9.5, no en paralelo con L9.5)
L9.9 por separado (depende de resultados anteriores); L9.10 bajo demanda
L10 GRADE → L11 Escritura (incluyendo integración Chart-Bridge ssci-plots) → L12 Autoevaluación

3.3 Reglas de archivos de decisión entre fases (obligatorio)

El agente principal, después de cada fase, escribe las conclusiones de la decisión en el subdirectorio decisions/ (al mismo nivel que el directorio de trabajo de esta tarea). Cada archivo de decisión es un archivo md independiente (frontmatter YAML + cuerpo, ≤ 100 líneas/archivo), sin copiar el contenido de SSOT.

Estructura del directorio de archivos de decisión de MA (cuando se integra con SR, reutiliza los 01-08 de SR):

decisions/
  01_type_decision.md          # L1: Incluye la determinación del escenario psicológico (clave — determina la carga de JARS-Quant en L11)
  02_research_question.md      # L2: PICO + predefinición del tamaño del efecto
  03_mode_decision.md          # L3: Estricto vs Aprendizaje
  07_data_types.md             # L7: Campos de extracción por dos personas
  08_rob_tool_decision.md      # L8: Herramienta RoB
  09_synthesis_decision.md     # L9: Selección FE/RE/RVE/Tres niveles/MASEM + umbral k
  09.1_effect_size.md          # L9.1: Tipo de tamaño del efecto + recálculo de SE
  09.4_model_selection.md      # L9.4: FE vs RE
  09.5_heterogeneity.md        # L9.5: I² / Q / τ² / 95% PI
  09.6_subgroup.md             # L9.6: Habilitado si k≥10
  09.9_publication_bias.md     # L9.9: 4+ herramientas
  10_grade_decision.md         # L10
  11_reporting_standard.md     # L11: APA MARS Table 9 + PRISMA 2020 + 12 diferencias

Andamio de archivos de decisión para entrada MA independiente (cierra BK-1, lectura obligatoria): El primer paso ejecutable de MA, L9.1, debe leer decisions/01/02/07/08 (§3.3 lectura obligatoria entre fases + decision-provenance §3), pero los productores de estos 4 archivos están en SR L1-L8. Las dos entradas se implementan así, evitando que la entrada independiente "debe leer pero nadie crea" y se bloquee:

Ruta combinada (path: combined_with_sr): SR L1-L8 ya ha producido 01/02/03/07/08 (comparten el mismo directorio decisions/) → MA lee directamente sin reescribir (puente de integración ver §13.1 N-4).
Entrada MA independiente (path: standalone, usuario ya completó L1-L8 por su cuenta y entra directamente a MA): El agente principal, antes de despachar L9.1, convierte las conclusiones de L1-L8 del usuario en 01_type_decision.md (incluye determinación psicológica) / 02_research_question.md (PICO + predefinición del tamaño del efecto) / 07_data_types.md (tipo de datos + fiabilidad + n) / 08_rob_tool_decision.md — copia directamente las plantillas vacías correspondientes de review-methodology-foundations/decisions_templates/ y las rellena (las plantillas incluyen frontmatter + estructura de conclusiones/fundamentos/upstream-downstream/verificación).
Puerta de bloqueo estructural (no "recordatorio de prompt"): Falta cualquiera de 01/02/07/08 → preflight bloquea L9.1 (se considera "ejecución directa sin leer archivos de decisión"); no se permite que el agente principal improvise archivos de decisión sin plantilla, ni que omita estos 4 archivos y envíe directamente el Extractor.

decisions_templates/ es un esqueleto de plantilla vacío (creado en S4, ruta review-methodology-foundations/decisions_templates/), que cubre las 11 clases de SR + 5 subetapas 09.x de MA + productos de supervisión 04a/07a/09.x_audit. Es "un punto de partida para copiar 01/02/07/08", no una instancia de decisión en sí.

Lectura obligatoria entre fases: El prompt de todos los Subagentes en las fases L9/L10/L11/L12 debe contener:

**Lectura obligatoria (archivos de decisión)**:
- decisions/01_type_decision.md (incluye determinación psicológica → base para cargar JARS-Quant en L11)
- decisions/02_research_question.md
- decisions/03_mode_decision.md
- decisions/07_data_types.md
- decisions/08_rob_tool_decision.md
- decisions/09*.md (seleccionar 09.1/09.4/09.5 etc. según las necesidades de esta fase)
- decisions/10_grade_decision.md (solo L11/L12)
- decisions/11_reporting_standard.md (solo L12)

El agente principal debe verificar dos veces antes de la escritura en L11: Que el estándar de informe planificado por el Subagente L11 actual sea coherente con decisions/01_type_decision.md (incluye determinación psicológica) + decisions/11_reporting_standard.md. En escenarios psicológicos, se debe superponer JARS-Quant Table 9 sobre PRISMA 2020. Inconsistencia = bloqueo. Ver references/decision-provenance.md.

3.4 Debe hacerlo personalmente vs Debe subcontratarlo

Debe hacerlo personalmente	Debe subcontratarlo a Subagente
Leer las necesidades del usuario + archivos clave	Cualquier generación de código R (según selección de ruta de paquete R en §5 + plantillas)
Decidir si seguir el flujo de trabajo combinado "SR L1-L8 + MA L9-L12"	Cualquier ejecución específica de extracción/conversión del tamaño del efecto
Redactar el documento de planificación (suborden de L9, paquete R, justificación de selección de modelo)	Cualquier interpretación de la salida del modelo ajustado
Evaluar la producción de cada ronda de Subagente (corrección de cálculo / razonabilidad del modelo / robustez de PB)	Cualquier ejecución e interpretación específica de las pruebas de sesgo de publicación
Comunicación clave con el usuario (confirmación del formato de datos, arbitraje del modelo, entrega final)	Cualquier redacción de la sección de informe APA MARS
Escritura y mantenimiento de archivos de decisión	—

3.5 Compromisos no permitidos

No se permite que el agente principal escriba código R directamente / llame directamente a MCP (PRES-003)
No se permite que el Subagente tome la decisión final de "confiar en el efecto combinado" en lugar del agente principal
No se permite omitir las pruebas de sesgo de publicación o la fase de divulgación de heterogeneidad
No se permite que cuando I² > 75% se presente solo el efecto combinado como conclusión principal (viola SSOT-AI-FAILURE-DEFENSES §3)
No se permite forzar RVE / tres niveles cuando k < 5 (ver §4.2 L9.3)
No se permite forzar la prueba de sesgo de publicación cuando k < 10 (ver §11.5)

4. Flujo de trabajo completo (alineación con 12 fases)

Alineado con 12 fases (ver SSOT-LIFECYCLE-12-PHASES.md). MA se expande significativamente en L9 sobre SR, con 10 subetapas.

4.1 Resumen de 12 fases (L1-L8 por defecto completados por SR)

Fase	Producto clave	Archivo de decisión	SSOT
L1	Identificación del tipo (incluye determinación psicológica)	01_type_decision.md	SSOT-REVIEW-TYPES
L2	PICO + predefinición del tamaño del efecto	02_research_question.md	SSOT-PICO-FRAMEWORKS
L3	Modo estricto vs. aprendizaje	03_mode_decision.md	SSOT-MODE-PROFILES
L4	Búsqueda (PsycINFO + ClinicalTrials.gov + literatura gris)	—	SSOT-SEARCH-STRATEGY
L5-L6	Diagrama de flujo PRISMA + cribado doble ciego	—	SSOT-PRISMA-FLOW-DIAGRAM
L7	Extracción por dos personas (incluye ES + SE + fiabilidad + n)	07_data_types.md	SSOT-EXTRACTION-FIELDS
L8	RoB (incluye extensión psicoterapéutica Metapsy)	08_rob_tool_decision.md	SSOT-ROB-TOOL-MAPPING
L9	Combinación cuantitativa (10 subetapas, núcleo de este Skill)	09*.md	SSOT-SYNTHESIS-METHODS + SSOT-EFFECT-SIZE-DECISION
L10	GRADE	10_grade_decision.md	SSOT-GRADE-FRAMEWORK
L11	APA MARS + PRISMA 2020 + integración ssci-plots	11_reporting_standard.md	SSOT-REPORTING-STANDARDS
L12	Autoevaluación AMSTAR 2	—	SSOT-AMSTAR-2-CHECKLIST

Si el usuario no ha completado L1-L8, el agente principal primero sugiere cambiar a systematic-review.

4.2 L9: Combinación cuantitativa (10 subetapas, primer paso ejecutable)

L9.1 Extracción del tamaño del efecto (primer paso ejecutable): Preflight antes del despacho (cierra BK-1/BK-7) — ① Confirmar que decisions/01/02/07/08 están listos (entrada independiente construir primero el andamio según §3.3, entrada combinada producida por SR; falta cualquiera bloquea); ② En la ruta combinada, leer obligatoriamente la conclusión de cambio de decisions/09_synthesis_decision.md (si ≠ "recomendar cambiar a MA" entonces bloquear, ver §13.1 N-4). Una vez superado el preflight, despachar Effect-Size-Extractor → 5 árboles de decisión (D1 dicotómico / D2 continuo / D3 ordinal / D4 conteo / D5 supervivencia) + 7 fórmulas de recálculo de SE + 8 unit-of-analysis + manejo de eventos cero. Ver references/L9.1-effect-size-extraction.md. SSOT: SSOT-EFFECT-SIZE-DECISION §1-§5.

L9.2 Corrección del tamaño del efecto: Despachar Correction-Agent → Corrección de Hedges' g (por defecto clave cuando N < 60, si falla la corrección, retroceso ver §11.6) + Corrección de artefactos Hunter-Schmidt (solo escalas psicológicas). Selección del modo Bare-bones vs. Psychometric. Ver references/L9.1-effect-size-extraction.md §3 + references/L9-psychology-special.md.

L9.3 Manejo de dependencia (decisión de umbral k): Determinar dependencia → seleccionar método.

Escenario	Método recomendado	Umbral k	Paquete R
Múltiples outcomes / múltiples puntos temporales / múltiples controles, estructura de dependencia desconocida	RVE	k ≥ 5 (< 5 no permitido)	robumeta + clubSandwich
Jerarquía clara + k ≥ 20	Tres niveles	k ≥ 20 (< 20 dar corrección CR2; < 5 no permitido)	metafor `rma.mv()`
Modelado de relaciones multivariantes (mediación/modulación)	MASEM	k ≥ 10	metaSEM
k < 5	No se permite RVE / Tres niveles	—	Ir a narrativa de un solo estudio + informe de sensibilidad por separado (ruta alternativa de nivel A)

Despachar Dependency-Agent. Ver references/L9-psychology-special.md.

L9.4 Selección de modelo de efectos fijos/aleatorios: Despachar Model-Selection-Agent → Árbol de decisión + RE por defecto (FE solo bajo la hipótesis de que la intervención no tiene efecto real) + Estimador de τ² (REML por defecto) + HKSJ CI (mejor que Wald cuando k > 2 + τ² > 0) + Tabla de decisión para k=2-4 (ver §11.4). Ver references/L9.4-fixed-random-models.md.

Divulgación honesta del modelo RE por defecto (incrustada obligatoriamente al final de L9.4 — estilo de tres párrafos C4): Párrafo 1 (supuesto del libro de texto): La elección FE vs. RE depende del juicio del investigador sobre la heterogeneidad (Borenstein 2009; Cochrane §10). Párrafo 2 (diferencia de implementación del LLM): Este meta-análisis utiliza RE por defecto; FE solo se utiliza bajo la hipótesis de que la intervención no tiene efecto real. 3 diferencias: (1) No hay hipótesis explícita de heterogeneidad proporcionada por el usuario; (2) HKSJ se utiliza cuando k < 10; (3) Cuando k = 2-4, se ejecuta sensibilidad doble FE+RE (Cochrane v6.5 §10.10.4). Párrafo 3 (Mitigación + Limitaciones): Informar resultados dobles FE+RE; informar PI cuando k ≥ 5; en escenarios psicológicos + k < 5, informar PI pero etiquetar explícitamente "el supuesto normal no es robusto". Divulgar la elección metodológica de RE por defecto en la Discusión.

L9.5 Prueba de heterogeneidad: Despachar Heterogeneity-Agent → Q + I² + τ² + 95% PI (obligatorio cuando k ≥ 5; obligatorio en psicología). Si I² > 75%, no permitir presentar solo el efecto combinado; Si I² > 90%, prohibir completamente la combinación + obligatorio subgrupo / meta-regresión (ver §11.5). Ver references/L9.5-heterogeneity.md.

L9.6 Análisis de subgrupos (k ≥ 10): Despachar Subgroup-Agent → Distinguir entre predefinido y post-hoc (JARS Table 9 §METHOD §6) + Prueba estadística formal entre subgrupos (no permitir solo comparar valores P dentro del subgrupo) + 6 dimensiones ICEMAN. Ver references/L9.6-subgroup-metaregression.md.

L9.7 Meta-regresión (k ≥ 10): Despachar Metaregression-Agent (puede ejecutarse en paralelo con L9.6) → Cada característica categórica ≥ 10 observaciones + variables de razón usar log-transformadas. Ver references/L9.6-subgroup-metaregression.md.

L9.8 Análisis de sensibilidad: Despachar Sensitivity-Agent (en serie después de L9.5 — leave-one-out / FE vs RE vs HKSJ / comparación de diferentes estimadores τ² / diferente medida de efecto / excluir recálculo de alto RoB necesita la línea base del modelo establecida en L9.5, no en paralelo con L9.5; puede ejecutarse en paralelo con L9.9) → Leave-one-out + FE vs RE vs HKSJ + diferentes estimadores τ² + diferente medida de efecto + excluir recálculo de alto RoB.

L9.9 Sesgo de publicación: Despachar PublicationBias-Agent → Obligatorio principal (funnel + Egger/Harbord/Peters; solo efectivo si k ≥ 10, ver §11.5); Suplemento psicológico ≥ 1 (p-curve / PET-PEESE / RoBMA / Selection models). Tamaño del efecto dependiente (determinado como tres niveles/RVE en L9.3) → sesgo de publicación usar Egger-MLMA (scripts/egger_mlma.R), no Egger de un solo nivel; RoBMA necesita JAGS, por defecto no seleccionado (si falta, degradar a puni_star+PET-PEESE). Trim-and-fill ha sido degradado por Cochrane v6.5 (solo como análisis de sensibilidad). Ver references/L9.9-publication-bias.md.

L9.10 MASEM (bajo demanda): Solo habilitar para síntesis SEM de mediación/modulación. TSSEM / One-Stage MASEM. Ver references/L9-psychology-special.md §3.

4.3 L10: Nivel de evidencia GRADE

Despachar GRADE-Agent → Consideraciones específicas de meta-análisis: Imprecisión (CI cruza el umbral de decisión), Inconsistencia (I² > 50% generalmente degrada), Sesgo de publicación (funnel asimétrico + Egger p < 0.10 degrada) + Combinar con RoB 2 / ROBINS-I. SSOT: SSOT-GRADE-FRAMEWORK.

4.4 L11: Informe (APA MARS Table 9 + PRISMA 2020 + generación de gráficos integrada)

Despachar Write-Agent (método de respaldo 2-2-1) + Subagente de verificación de estándares de informe.

APA MARS Table 9: Integración completa de 13 capítulos
PRISMA 2020: Lista de 27 ítems
12 diferencias JARS-Quant (escenario psicológico — activado por la determinación psicológica en el archivo de decisión 01_type_decision.md): Agrupación de hipótesis a priori / post-hoc, características psicométricas, validez de constructo, artefactos de error de medición, moderador vs subgrupo, tamaño del efecto+CI obligatorio, corrección de Hedges, prior bayesiano, ubicación del código estadístico, sección de efectos adversos
Integración con ssci-plots: forest plot, funnel plot (contour-enhanced), tabla SoF

Ver references/L11-mars-reporting.md. SSOT: SSOT-REPORTING-STANDARDS §1.3.1 + §3.

4.5 L12: Autoevaluación (dimensión de meta-análisis AMSTAR 2)

Despachar Self-Assessment Agent → 16 ítems de AMSTAR 2 + 7 dominios críticos. SSOT: SSOT-AMSTAR-2-CHECKLIST.

5. Rutas de paquetes R (mapeadas por tema)

Tema	Paquete R principal	Plantilla de código
Meta-análisis estándar (FE/RE)	metafor	`scripts/metafor_basic.R`
Tamaño del efecto dependiente (RVE)	robumeta + clubSandwich + wildmeta	`scripts/rve_clubSandwich.R`
Sesgo de publicación en tamaño del efecto dependiente (Egger-MLMA)	metafor rma.mv / robumeta+clubSandwich	`scripts/egger_mlma.R`
Meta-análisis de tres niveles	metafor `rma.mv()`	`scripts/metafor_basic.R` (incluye bloque rma.mv)
Psicométrico (Hunter-Schmidt)	psychmeta	`scripts/psychmeta_hunter_schmidt.R`
MASEM	metaSEM (+ OpenMx / lavaan)	`scripts/metaSEM_masem.R`
p-curve / p-uniform	puniform · dmetar::pcurve	`scripts/puniform_pcurve.R`
PET-PEESE	stats::lm (implementación WLS original; metafor mods como variante defendible, debe divulgarse)	`scripts/metafor_basic.R` §11 + `references/L9-r-code-templates.md` §8
Selection models	weightr	(código de ejemplo)
RoBMA	RoBMA	Necesita biblioteca del sistema JAGS (no presente en la máquina local) → por defecto no seleccionado, degradar a puni_star + PET-PEESE (ver §11.2 / L9.9 §4.3)
Meta-análisis bayesiano	brms · rstanarm · bayesmeta	(avanzado, bajo demanda)

Filosofía puente: Este Skill es ejecutado por Claude Code directamente mediante Rscript en el entorno R local (metafor, etc.) para obtener resultados estadísticos — ya no se genera código para que el usuario lo copie a un entorno externo, lo ejecute y luego lo rellene. La salida original de print(summary()) + warnings() + sessionInfo() entra sin cambios en el paquete de auditoría (archivos sidecar + profundización en el segmento ⑤ de la tarjeta de auditoría), reproducible; las luces rojas de bloqueo/divulgación son calculadas por scripts/audit_parse.R a partir de los campos del objeto rma para generar un flag JSON, sin que el LLM lea el texto de summary. Núcleo de principios retenido: no inventar resultados estadísticos, los humanos asumen la responsabilidad en los puntos de aprobación, reproducible. Ver references/L9-r-code-templates.md.

Divulgación honesta del flujo de trabajo de ejecución local mediado por LLM (insertado al inicio de references/L9-r-code-templates.md — estilo de tres párrafos C4): Párrafo 1 (supuesto del libro de texto): El meta-análisis estándar asume que el analista escribe y ejecuta el código R directamente (o usa GUI de JASP / RevMan), con control total sobre la entrada de datos, la configuración del modelo y la validación de la salida. Párrafo 2 (diferencia de implementación del LLM): Esta revisión es ejecutada por Claude Code directamente mediante Rscript generado por el LLM en el entorno R local, y la salida original (summary / warnings / sessionInfo) se deja registrada en el paquete de auditoría; la determinación de bloqueo/divulgación es calculada por un audit_parse.R fijo a partir de los campos del objeto rma, sin que el LLM interprete el texto de salida. Esto elimina el riesgo anterior de "copiar y pegar para rellenar / desajuste entre el formato de datos esperado y real". Limitación real que aún existe: El código R sigue siendo generado por el LLM, y puede haber errores sutiles que compilan pero dan resultados incorrectos (nombre de variable incorrecto / llamada a función incorrecta) — la ejecución local no prueba automáticamente la corrección del resultado. Párrafo 3 (Mitigación + Limitaciones): (1) El script se verifica mediante un conjunto de pruebas de regresión (tests/) + la salida original puede ser revisada manualmente, la luz roja calculada por R reduce el riesgo de que el LLM lea mal los números; (2) Se incluye al menos un análisis de sensibilidad (leave-one-out / estimador τ² alternativo) para detectar anomalías; (3) Los humanos asumen la responsabilidad final en los puntos de aprobación de los juicios estadísticos; la reproducibilidad se basa en sessionInfo + script fijo. En la Discusión/Limitaciones, aún se debe divulgar que "la estadística fue realizada por un flujo de trabajo automatizado local mediado por LLM" es una característica metodológica.

Ver references/L9-r-code-templates.md.

6. Cuándo cargar cada archivo de references

Cuándo cargar (granularidad de acción de decisión específica)	Archivo de references
Cuando el agente principal necesita decidir el tipo de tamaño del efecto / recálculo de SE / unit-of-analysis en la fase L9.1	`references/L9.1-effect-size-extraction.md`
Cuando el agente principal necesita decidir FE/RE/HKSJ en la fase L9.4	`references/L9.4-fixed-random-models.md`
Cuando el agente principal necesita divulgar indicadores de heterogeneidad (incluyendo decisión de bloqueo I² > 75%) en la fase L9.5	`references/L9.5-heterogeneity.md`
Cuando el agente principal necesita despachar Subagente de subgrupo / meta-regresión en las fases L9.6 / L9.7 (k ≥ 10)	`references/L9.6-subgroup-metaregression.md`
Cuando el agente principal necesita despachar Subagente de sesgo de publicación en la fase L9.9 (k ≥ 10)	`references/L9.9-publication-bias.md`
Cuando el agente principal despacha cualquier Subagente de generación de código R	`references/L9-r-code-templates.md`
Cuando se activa el escenario psicológico y el agente principal necesita decidir sobre 8 temas (RVE/tres niveles/MASEM/H-S/RG) en L9.2-L9.10	`references/L9-psychology-special.md`
Cuando el agente principal necesita decidir sobre APA antes de la escritura L11	`references/L11-mars-reporting.md`
Cuando el agente principal necesita decidir sobre GRADE en la fase L10	`references/SSOT-GRADE-FRAMEWORK.md`
Cuando el agente principal necesita decidir sobre AMSTAR 2 en la fase L12	`references/SSOT-AMSTAR-2-CHECKLIST.md`

7. Ruta de scripts

Script	Propósito
`scripts/metafor_basic.R`	Meta-análisis FE/RE estándar + PET-PEESE
`scripts/rve_clubSandwich.R`	Meta-análisis RVE con corrección CR2
`scripts/egger_mlma.R`	Prueba de Egger para tamaño del efecto dependiente (MLMA)
`scripts/psychmeta_hunter_schmidt.R`	Corrección de artefactos Hunter-Schmidt (psicología)
`scripts/metaSEM_masem.R`	MASEM de una/tres etapas
`scripts/puniform_pcurve.R`	p-curve / p-uniform*
`scripts/audit_parse.R`	Analiza la salida de `rma` para generar banderas de luz roja
`scripts/plot_forest.R`	Forest plot (integrado con ssci-plots)
`scripts/plot_funnel.R`	Funnel plot con contour enhancement

8. Implementación de compuertas de aprobación humana (gates)

Este skill requiere siete compuertas de aprobación humana (gates), que son puntos de control donde el usuario debe revisar y aprobar explícitamente antes de que el flujo de trabajo pueda continuar al siguiente paso:

N.º	Fase	Punto de control	Qué revisa el usuario
Gate 1	L9.1 (Extracción del tamaño del efecto)	Confirmar la exactitud de los datos extraídos	Verificar que la hoja de extracción de ES+SE por estudio coincide con los artículos originales
Gate 2	L9.4 (Selección del modelo FE vs. RE)	Aprobar la elección del modelo y la justificación	Aceptar/rechazar el modelo RE por defecto o la hipótesis FE
Gate 3	L9.5 (Heterogeneidad)	Confirmar la interpretación de los resultados de heterogeneidad	Revisar Q, I², τ², 95% PI y la decisión de proceder o no a la combinación
Gate 4	L9.9 (Sesgo de publicación)	Aprobar las pruebas de sesgo de publicación y su interpretación	Revisar el funnel plot, las pruebas de Egger/Peters y la conclusión
Gate 5	L10 (GRADE)	Aprobar la evaluación GRADE	Verificar las clasificaciones de calidad de la evidencia y las justificaciones de degradación/mejora
Gate 6	L11 (Informe)	Aprobar el borrador del informe	Revisar la adherencia a APA MARS / PRISMA 2020 y la integración de los gráficos ssci-plots
Gate 7	L12 (Autoevaluación AMSTAR 2)	Aprobar la autoevaluación final	Confirmar que el meta-análisis cumple con los estándares de calidad AMSTAR 2

9. Integración con otros skills

Skill	Integración
`systematic-review`	Flujo combinado: SR L1-L8 → MA L9-L12; archivos de decisión compartidos
`ssci-plots`	Generación de forest plot y funnel plot a partir de los resultados de MA
`literature-set-review`	Alternativa cuando no se requiere combinación cuantitativa
`field-overview-review`	Alternativa para revisiones narrativas/de alcance

10. Manejo de errores y excepciones

Situación	Comportamiento
El código R falla en la ejecución	Reintentar con un enfoque alternativo (ej., cambiar estimador τ²); si falla de nuevo, informar y sugerir intervención manual
Los datos extraídos son insuficientes (k < 5)	Advertir y sugerir análisis narrativo en lugar de combinación
Heterogeneidad muy alta (I² > 90%)	Prohibir la combinación y forzar análisis de subgrupos/meta-regresión
El usuario no ha completado L1-L8	Redirigir a `systematic-review`
No se encuentra `decisions_templates/`	Crear el directorio y copiar las plantillas de la base de conocimiento

11. Limitaciones y notas

11.1 Limitaciones generales

Este skill asume que el usuario ha completado una revisión sistemática rigurosa (L1-L8). No realiza búsqueda, cribado ni extracción de datos.
La ejecución de código R depende del entorno R local del usuario (paquetes instalados, permisos).
El skill no puede garantizar la corrección del código R generado; se requieren compuertas de aprobación humana y análisis de sensibilidad.

11.2 Umbrales de tamaño de muestra y advertencias

Escenario	Umbral k	Advertencia / Acción
RVE / Tres niveles	k ≥ 5 (RVE); k ≥ 20 (Tres niveles)	Por debajo del umbral, no permitir el método; ir a narrativa
Prueba de sesgo de publicación (Egger, etc.)	k ≥ 10	Por debajo de k=10, las pruebas no son fiables (baja potencia); no realizar
Análisis de subgrupos / Meta-regresión	k ≥ 10 (por característica)	Por debajo de k=10 por subgrupo/característica, los resultados no son fiables
Interpretación de PI (Intervalo de predicción)	k ≥ 5	Por debajo de k=5, PI puede ser poco fiable
HKSJ CI	k > 2 + τ² > 0	Mejor que Wald CI, pero requiere un número mínimo de estudios

11.3 Supuestos y advertencias psicométricas

La corrección de Hunter-Schmidt es apropiada solo cuando se dispone de datos de fiabilidad de las escalas.
La generalización de fiabilidad (reliability generalization) es un tipo especial de meta-análisis; requiere al menos 10 estudios para ser fiable.
En escenarios psicológicos, se deben considerar las 8 cuestiones adicionales en SSOT-PSYCHOLOGY-SUPPLEMENTS.md.

11.4 Tabla de decisión para k = 2-4

k	Acción recomendada	Notas
2	Informar ambos modelos (FE y RE) con advertencia explícita de baja potencia; no interpretar PI	τ² puede ser 0; usar HKSJ si es posible
3	Priorizar RE si hay heterogeneidad; informar sensibilidad FE; considerar el uso de intervalos de perfil de verosimilitud	τ² puede tener un amplio IC
4	RE es factible pero con precaución; informar PI y HKSJ; considerar análisis de sensibilidad leave-one-out	Adecuado para estudios piloto o áreas con muy pocos estudios

11.5 Condiciones para la prueba de sesgo de publicación

Condición	Acción
k < 10	No realizar pruebas formales de sesgo de publicación (baja potencia); solo funnel plot descriptivo
k ≥ 10 pero < 20	Realizar pruebas básicas (funnel + Egger/Harbord/Peters); considerar p-curve como suplemento
k ≥ 20	Realizar pruebas completas (funnel + Egger/Harbord/Peters + al menos 1 suplemento: p-curve/PET-PEESE/RoBMA/Selection models)
Dependencia (RVE/tres niveles)	Usar Egger-MLMA en lugar de Egger estándar

12. Referencias

Todos los archivos de referencia están en el directorio references/:

Archivo	Contenido
`references/L9.1-effect-size-extraction.md`	Guía de extracción del tamaño del efecto: tipos, fórmulas SE, unit-of-analysis, eventos cero
`references/L9.4-fixed-random-models.md`	Árbol de decisión FE vs. RE, HKSJ, estimadores τ²
`references/L9.5-heterogeneity.md`	Interpretación de Q, I², τ², PI; reglas de bloqueo
`references/L9.6-subgroup-metaregression.md`	Análisis de subgrupos y meta-regresión, ICEMAN
`references/L9.9-publication-bias.md`	Pruebas de sesgo de publicación: funnel, Egger, p-curve, PET-PEESE, RoBMA
`references/L9-r-code-templates.md`	Plantillas de código R, filosofía puente, divulgación
`references/L9-psychology-special.md`	8 temas específicos de psicología (RVE, tres niveles, MASEM, H-S, RG, etc.)
`references/L11-mars-reporting.md`	Estándares de informe APA MARS Table 9, PRISMA 2020, JARS-Quant
`references/decision-provenance.md`	Reglas de trazabilidad de archivos de decisión
`references/SSOT-GRADE-FRAMEWORK.md`	Evaluación GRADE para meta-análisis
`references/SSOT-AMSTAR-2-CHECKLIST.md`	Lista de verificación AMSTAR 2

13. Integración con systematic-review

13.1 Puente de fase N-4

El puente entre SR (Systematic Review) y MA (Meta-Analysis) se implementa en la fase N-4 del flujo de SR:

N-4 (Decisión de cambio): En L8 (final de SR), el agente principal de SR escribe decisions/09_synthesis_decision.md con la conclusión de "recomendar cambiar a MA" (si procede), basándose en la presencia de datos cuantitativos extraídos (tamaños del efecto + SE).
N-3 (Preparación de datos): SR prepara el conjunto de datos de extracción (formato largo) y lo guarda en data/extraction.csv.
N-2 (Paquete de transferencia): SR empaqueta los archivos de decisión (01/02/07/08) y el conjunto de datos en el directorio decisions/ y data/.
N-1 (Carga de MA): Al activar MA, el agente principal carga los archivos de decisión de SR y el conjunto de datos.
N (Inicio de MA): Comienza con el preflight de L9.1 (ver §3.2).

13.2 Condiciones para no cambiar a MA

Falta de datos cuantitativos (solo evidencia cualitativa)
Heterogeneidad extrema (I² > 90%) incluso después de subgrupos
k < 5 y no hay alternativa de RVE/tres niveles
El usuario solicita explícitamente no combinar

14. Control de versiones

Versión	Fecha	Cambios
1.0	2024-01-15	Versión inicial
1.1	2024-03-20	Añadida integración con ssci-plots, compuertas de aprobación humana
1.2	2024-06-10	Mejorada la defensa contra fallos de IA, reglas de bloqueo más estrictas
1.3	2024-09-01	Añadidos archivos de decisión para entrada independiente, puente N-4

Nota final: Este skill está diseñado para uso en investigación y toma de decisiones basada en evidencia. Los resultados deben ser revisados por un experto en meta-análisis antes de su publicación. Todas las compuertas de aprobación humana son obligatorias; no se permite omitir ninguna. El código R generado debe ser auditado y reproducible.

Preguntar en tu IA favorita

Documentación