网络荟萃分析的对比空间投影:直接与间接贡献的精确且不变的研究级分解
统计方法学
2026-04-27 v1 应用统计
统计计算
机器学习
摘要
网络荟萃分析(NMA)结合跨连通治疗网络的直接和间接比较来估计相对治疗效果。然而,缺乏能够重现NMA估计值的精确贡献分解,特别是在存在多臂试验(引入研究内相关性)的情况下。我们通过开发NMA的对比空间投影公式来解决这个可重现性缺口。在所有可估计的成对治疗对比空间中,我们将NMA估计量表示为观测对比到由正交投影诱导的一致性约束对比空间上的显式线性映射。基于这种表示,我们通过规范的研究内约简(消除代数冗余并产生唯一、不变的分解)引入了直接和间接证据的严格研究级定义。这导致了NMA估计量到研究级直接和间接贡献的精确协方差感知分解,其中间接证据进一步分解为路径级分量。得到的权重直接类似于成对荟萃分析中的逆方差权重,并且据我们所知,实现了第一个精确重构NMA估计量的森林图表示。该框架还产生了基于投影的诊断和图形工具,包括森林图、张力图和基于路径的可视化。在实证数据集上的应用展示了所提出的方法如何为理解网络荟萃分析中的证据贡献提供一个可重现和可解释的框架,支持透明的解释和报告。
引用
@article{arxiv.2604.21994,
title = {Contrast-Space Projection for Network Meta-Analysis: An Exact and Invariant Study-Based Decomposition of Direct and Indirect Contributions},
author = {Chong Wang and Yanqi Zhang and Zhezhen Jin and Annette O'Connor},
journal= {arXiv preprint arXiv:2604.21994},
year = {2026}
}
备注
33 pages, 6 figures