在随机效应成对和网络荟萃分析中纳入关于研究间异质性的真实先验信息
统计方法学
2017-08-04 v1
摘要
背景：使用固定效应和随机效应模型的成对和网络荟萃分析常被用于综合随机对照试验的证据。这些模型在假设和结果解释上有所不同。模型的选择取决于分析的目标和对纳入研究的了解。固定效应模型常被使用，因为仅有极少的研究，无法仅从数据中估计研究间标准差。目的：旨在提出一个框架，用于在贝叶斯随机效应荟萃分析模型中为研究间标准差导出信息性先验分布，以在数据稀疏时真实地表示异质性。方法：我们开发了一种导出方法，利用外部信息（如经验证据和专家关于治疗效果“范围”的看法）来推断研究间标准差的先验分布。我们还开发了在 R 中实现该方法的手段。结果：三阶段导出方法允许用真实的先验分布来表示不确定性，以避免做出误导性推断。它灵活适应专家所能提供的任何判断，并适用于所有可在可加尺度上构建治疗效果的结果测量类型。结论：在固定效应或随机效应荟萃分析模型之间的选择取决于所需的推断，而非可用研究的数量。我们的导出框架捕捉了关于异质性的外部证据，并克服了研究估计相同治疗效果这一通常不合理的假设，从而提高了决策推断的质量。
引用
@article{arxiv.1708.01193,
title = {Incorporating genuine prior information about between-study heterogeneity in random effects pairwise and network meta-analyses},
author = {Shijie Ren and Jeremy E. Oakley and John W. Stevens},
journal= {arXiv preprint arXiv:1708.01193},
year = {2017}
}