En el metaanálisis, la existencia de heterogeneidad entre las muestras introduce incertidumbre en el modelo, la cual debe ser incorporada en la inferencia. Sostenemos que una forma alternativa de medir esta heterogeneidad es mediante la agrupación de las muestras y luego determinando la probabilidad posterior de los modelos de cluster. La meta-inferencia se obtiene como una mezcla de todas las meta-inferencias para los modelos de cluster, donde la distribución de mezcla son las probabilidades de modelo posterior. Cuando hay pocos estudios, el número de configuraciones de cluster es manejable y las meta-inferencias pueden ser realizadas con técnicas de BMA. Aunque este tema ha sido relativamente descuidado en la literatura de metaanálisis, la inferencia así obtenida refleja con precisión la estructura de cluster de las muestras utilizadas. En este artículo, se presentan y analizan ejemplos ilustrativos, utilizando datos binarios reales.