Meta-analisi nella ricerca sul comportamento organizzativo (OB)
La meta-analisi è una procedura statistica per integrare i risultati di diversi studi indipendenti combinabili. Tale valutazione oggettiva ci aiuta a spiegare l'eterogeneità tra i risultati degli studi indipendenti combinabili, se ve ne sono. Una meta-analisi è un approccio quantitativo alla revisione della letteratura di ricerca in un'area specifica.
Nella ricerca dell'OB, molti fattori possono variare da un contesto all'altro, rendendo così difficile progettare esperimenti definitivi per determinare se un determinato approccio influisce su un dato comportamento. Una meta-analisi combina un numero di studi (generalmente condotti da un numero di ricercatori diversi in una varietà di contesti) per quantificare l'effetto di un determinato approccio su un determinato risultato. Allargando il pool di dati per includere molti contesti diversi (e aumentando le dimensioni del campione), è possibile effettuare una stima quantitativa migliore di quanto una determinata pratica organizzativa influisca sui dipendenti.
La maggior parte della letteratura sulla meta-analisi conclude che ci sono tre passi generici per qualsiasi ricerca che faccia uso di meta-analisi.
Questi sono:
1. Chiarire le variabili indipendenti e le variabili di risultato di interesse.
2. Effettuare ricerche quantitative sulle variabili di interesse indipendenti e di risultato.
3. Compilare informazioni quantitative da ogni studio selezionato per indicare l'effetto della variabile indipendente sulla variabile di esito.
La dimensione dell'effetto è la differenza tra le medie dei punteggi dei risultati dei gruppi sperimentali e di controllo diviso per la deviazione standard dei punteggi. Un effetto positivo sulla variabile di esito è indicato da una dimensione di effetto medio attraverso gli studi, cioè maggiore di 0. Per la ricerca OB, per utilizzare la meta-analisi, come qualsiasi altra ricerca, formuliamo il problema, raccogliamo e analizziamo i dati e riporta i risultati.
Il ricercatore è tenuto a scrivere una relazione di ricerca dettagliata, indicando chiaramente gli obiettivi, le ipotesi e la metodologia. Per la raccolta dei dati è necessario un modulo di registrazione standardizzato. È utile se due osservatori indipendenti estraggono i dati, per evitare errori. In questa fase, la qualità degli studi può essere valutata, con una delle diverse scale appositamente progettate. Osservatori accecanti ai nomi degli autori e delle loro istituzioni, i nomi delle riviste, le fonti di finanziamento e riconoscimenti portano a punteggi più coerenti.
I singoli risultati devono essere espressi in un formato standardizzato per consentire il confronto tra gli studi. Se il punto finale è continuo, viene utilizzata la differenza media tra il gruppo di trattamento e quello di controllo. La dimensione di una differenza, tuttavia, è influenzata dal valore della popolazione sottostante.
Pertanto, le differenze sono presentate in unità di deviazione standard. Se il punto finale è binario - per esempio, malattia contro nessuna malattia, o morte contro vivo - allora i rapporti di probabilità o i rischi relativi sono spesso calcolati. Il rapporto di probabilità ha proprietà matematiche convenienti, che consentono di combinare facilmente i dati e testare l'effetto complessivo per la significatività. Le misure assolute, come la riduzione del rischio assoluto o il numero di pazienti da trattare per prevenire un evento, sono più utili quando si applicano i risultati.
L'ultima fase consiste nel calcolare l'effetto complessivo combinando i dati. Una semplice media aritmetica dei risultati di tutte le prove fornirebbe risultati fuorvianti. I risultati di piccoli studi sono più soggetti al gioco d'azzardo e dovrebbero quindi essere considerati meno importanti. I metodi usati per l'analisi metrica utilizzano una media ponderata dei risultati, in cui gli studi più ampi hanno più influenza di quelli più piccoli.
Le tecniche statistiche per fare questo possono essere ampiamente classificate in due modelli, la differenza consiste nel modo in cui viene trattata la variabilità dei risultati tra gli studi. Il modello a effetti fissi considera, spesso irragionevolmente, che questa variabilità è dovuta esclusivamente a variazioni casuali. Pertanto, se tutti gli studi fossero infinitamente grandi, darebbero risultati identici.
Il modello degli effetti casuali assume un effetto sottostante diverso per ogni studio e prende in considerazione questo come un'ulteriore fonte di variazione, che porta a intervalli di confidenza leggermente più ampi rispetto al modello a effetti fissi.
Gli effetti sono distribuiti casualmente e il punto centrale di questa distribuzione è il fulcro della stima dell'effetto combinato. Sebbene nessuno dei due modelli possa dirsi corretto, una sostanziale differenza nell'effetto combinato calcolato dai modelli a effetti fissi e casuali sarà visibile solo se gli studi sono marcatamente eterogenei.
Il valore di una ricerca empirica di OB può essere migliorato quando è possibile per i ricercatori successivi generalizzare i risultati. Le generalizzazioni richiedono la replica e questo può essere fatto meglio attraverso meta-analisi. Glass (1976) ha coniato per la prima volta il termine "meta-analisi" per indicare l'analisi delle analisi.
Successivamente, ricercatori come Jack Hunter, Frank Schmidt (Hunter 1979, Hunter e Schmidt 1990) hanno arricchito la letteratura di ricerca mettendo in relazione i risultati della ricerca attraverso gli studi. In OB, facciamo uso di meta-analisi per la sintesi quantitativa dei risultati della ricerca.
