一种用于考量证据合成中偏倚项不确定性的稳健贝叶斯偏倚调整随机效应模型
统计方法学
2022-04-25 v1 应用统计
摘要
荟萃分析是证据合成中用于合并、分析和总结具有相同目标终点研究的统计方法，旨在使用固定和随机效应模型或网络模型推导合并的定量估计。纳入研究间的差异取决于目标人群的变化（即异质性）以及由于研究设计与执行导致的研究质量变化（即偏倚）。偏倚风险通常使用严格评价进行定性评估，而定量偏倚分析可用于评估偏倚对关注量的影响。我们提出一种方法，通过将偏倚表征为不精确性（作为概率的边界）来考虑在偏倚分析中如何量化偏倚项时的无知或模糊，并使用稳健贝叶斯分析来估计总体效应。稳健贝叶斯分析在此被视为在一组连贯概率分布上执行的贝叶斯更新，该组分布源于一组偏倚项。我们展示了如何基于对一个或多个Cochrane偏倚风险表域中偏倚相对大小（即低、不清楚和高偏倚风险）的判断来指定偏倚项组。为说明起见，我们将稳健贝叶斯偏倚调整随机效应模型应用于已发表的Cochrane系统评价数据库中关于利妥昔单抗治疗类风湿关节炎效果的荟萃分析。
引用
@article{arxiv.2204.10645,
title = {A robust Bayesian bias-adjusted random effects model for consideration of uncertainty about bias terms in evidence synthesis},
author = {Ivette Raices Cruz and Matthias C. M. Troffaes and Johan Lindström and Ullrika Sahlin},
journal= {arXiv preprint arXiv:2204.10645},
year = {2022}
}
备注
21 pages, 6 figures