识别网络荟萃分析中有利于乘法异质性模型的条件
统计方法学
2026-01-21 v1
摘要
对研究间异质性进行显式建模在网络荟萃分析（NMA）中至关重要，以确保有效的推断并避免高估精度。虽然加性随机效应（RE）模型是传统方法，但乘性效应（ME）模型仍未得到充分探索。ME 模型通过加权最小二乘法估计一个公共因子来膨胀研究内方差，产生与固定效应模型相同的点估计，同时膨胀置信区间。我们利用 nmadb 数据库中具有显著异质性的双臂研究 NMA，通过赤池信息准则评估模型拟合度，对 RE 和 ME 模型进行了实证比较。ME 模型通常提供与 RE 模型相当或更好的拟合度。案例研究进一步揭示，RE 模型对极端和不精确的观测值敏感，而 ME 模型赋予此类观测值更小的权重，因此对发表偏倚表现出更强的稳健性。我们的结果表明，在 NMA 实践中，ME 模型值得与传统 RE 模型一同考虑。
引用
@article{arxiv.2601.11735,
title = {Identifying Conditions Favouring Multiplicative Heterogeneity Models in Network Meta-Analysis},
author = {Xinlei Xu and Caitlin H Daly and Audrey Béliveau},
journal= {arXiv preprint arXiv:2601.11735},
year = {2026}
}