通过收缩估计动态借用另一研究的证据强度

荟萃分析方法可用于整合来自不同信息来源的证据。相当常见地，用于此类分析的为包含随机效应以解释研究间异质性的正态-正态层次模型（NNHM）。相同的建模框架不仅可用于推导合并估计，还可通过推导收缩估计来使某一特定研究借用另一研究的证据强度。例如，小规模随机对照试验可得到非随机研究的支持，如临床登记库。这在罕见病的情境下尤其具有吸引力。我们证明，在这种极端的两研究设定下荟萃分析仍有意义，正如近期一项 Creutzfeld-Jakob 病试验与临床登记库所阐释的那样。在贝叶斯随机效应荟萃分析中推导收缩估计，即便仅基于单个额外估计，也可在考虑研究间潜在效应异质性的同时显著改善给定估计。或者，推断也可等价地由一种模型设定导出，该设定不需要共同的总体均值参数，而是考虑一项研究中的处理效应以及研究间效应差异。所提出的方法相当普遍地适用于整合源自荟萃分析或单个研究的不同类型证据。这一更一般设定的应用见于儿童肝移植后的免疫抑制。