荟萃分析中的累积偏倚：误差控制中考虑时间的必要性

研究随时间累积，而荟萃分析主要是回顾性的。这两个特征在一系列研究接受荟萃分析的分析时间与该系列内的结果之间引入了依赖关系。依赖关系引入偏倚——累积偏倚（Accumulation Bias）——并使为 p 值检验所假设的抽样分布失效，从而膨胀第一类错误。但依赖关系也是不可避免的，因为要使科学有效累积，新研究需要以过去的结果为依据。在此，我们研究时间影响荟萃分析检验中误差控制的多种方式。我们引入一个累积偏倚框架（Accumulation Bias Framework），该框架允许我们对广泛的实际中出现的依赖关系建模，包括研究系列累积、荟萃分析时机，以及动态系统综述中的多重检验方法。该框架的优势在于它展示了所有依赖关系如何以相似方式影响基于 p 值的检验。这导致两个主要结论。首先，累积偏倚不可避免，且即使可以近似并对其进行校正，也无法构造有效的 p 值检验。其次，基于似然比的检验能抵御累积偏倚：它们提供在偏倚下仍保持有效的错误概率界。我们留给读者在误差控制中考虑时间的两种方案之间做选择：要么将个体（初级）研究与荟萃分析视为两个独立世界——各自有其自身的时间尺度——要么将个体研究整合进荟萃分析世界。在任一方案下采用似然比都能实现与科学知识累积本质相契合的有效检验。似然比可解释为投注收益，在先前研究中赢得并投资于新研究，而荟萃分析者被允许在任何时刻兑现并建议终止未来研究。