一种用于量化和校正发表偏倚的鲁棒贝叶斯 Copas 选择模型
统计方法学
2021-02-10 v3
摘要
荟萃分析结论的有效性可能受到发表偏倚的威胁。大多数现有的校正发表偏倚的方法都假定解释研究间异质性的研究特异性效应服从正态分布。然而，该假设可能不成立，且这些偏倚校正方法的性能对偏离正态性高度敏感。此外，基于选择模型量化发表偏倚程度的度量很少。在本文中，我们同时解决这两个问题。首先，我们在贝叶斯分层框架内探索对研究特异性效应使用重尾分布。使用偏差信息准则（DIC）来确定用于进行最终分析的合适分布。其次，我们基于 Hellinger 距离开发了一种新的度量来量化发表偏倚的程度。我们的度量易于解释，并利用了后验分布自然提供的估计不确定性。我们通过模拟研究以及关于肺癌和抗抑郁药的荟萃分析来说明我们所提方法。为评估发表偏倚的普遍程度，我们将我们的方法应用于 Cochrane 系统评价数据库（Cochrane Database of Systematic Reviews）中 1500 个二分类结果的荟萃分析。我们的方法在公开可用的 R 包 RobustBayesianCopas 中实现。
引用
@article{arxiv.2005.02930,
title = {A Robust Bayesian Copas Selection Model for Quantifying and Correcting Publication Bias},
author = {Ray Bai and Lifeng Lin and Mary R. Boland and Yong Chen},
journal= {arXiv preprint arXiv:2005.02930},
year = {2021}
}
备注
25 pages, 4 figures, 2 tables. The model has been revised to consider several different distributions for the study-specific random effects