La técnica de imputación múltiple por ecuaciones encadenadas (MICE) se basa en un algoritmo predictivo que realiza un proceso iterativo para imputar los datos faltantes de una variables en función de los valores presentes en las otras variables del conjunto de datos. Para ello, es importante asegurar que la presencia de los datos faltantes no depende de la propia variable, sino que son debido al azar o a la relación con otras variables.

En algunas ocasiones, entre los estudios primarios de un metanálisis puede haber algunos que, sin estimar un efecto excesivamente grande o pequeño, pueden tener una gran influencia sobre la estimación global del estudio combinado, comprometiendo así la robustez de la estimación de medida global. Son los denominados estudios influyentes o, más comúnmente, influencers. Se describe la diferencia entre estos y los estudios atípicos o extremos, así como los métodos más utilizados para detectarlos.

El modelo de efecto fijo (en singular) se utiliza para combinar los estudios primarios de un metanálisis cuando se asume que todos los estudios estiman un mismo efecto de la población. Por su parte, el modelo de efectos fijos (en plurarl), también llamado modelo de efectos mixtos, tiene utilidad para el análisis de subgrupos dentro de un metanálisis, combinando aspectos del modelo de efecto fijo y del modelo de efectos aleatorios.

Muchas pruebas diagnósticas se basan en modelos estadísticos que predicen la probabilidad de que un determinado sujeto sea positivo para esa prueba. Aunque la curva ROC evalúa el rendimiento global de la prueba, la elección del umbral de probabilidad para diferenciar entre positivos y negativos condicionará el rendimiento de la prueba en un escenario clínico determinado.