基于一般选择模型的 Copas-Jackson 类型出版偏误界限
统计方法学
2025-08-26 v1
摘要
出版偏误 (PB) 是元分析准确性最重要的威胁之一。基于选择模型的调整或灵敏度分析——这些模型描述研究被发布的概率——提供了比广泛使用的简单图形方法（如 trim-and-fill 方法）更客观的 PB 评估。大多数现有方法依赖参数化选择模型。Copas-Jackson 界限 (C-J 界限) 提供了一种基于非参数化选择模型类的解析形式最坏情况界限，能够提供比参数化灵敏度分析更稳健的结论。C-J 界限中用于非参数化选择模型的类受到限制，仅涵盖标准结果标准误单调函数的参数化选择模型。本文的新颖之处在于开发一种方法，在放宽 C-J 界限假设的一般选择模型类上构建最坏情况界限。我们提出一种高效的数值方法，通过具有线性约束的可求解非线性规划获得近似最坏情况界限。我们通过大量模拟研究论证了所提界限的有效性，并展示了其在两个真实元分析中的适用性。
引用
@article{arxiv.2508.17716,
title = {Copas-Jackson-type bounds for publication bias over a general class of selection models},
author = {Taojun Hu and Yi Zhou and Xiao-Hua Zhou and Satoshi Hattori},
journal= {arXiv preprint arXiv:2508.17716},
year = {2025}
}