베이지안 통계는 메타 분석을 더 이상 사용하지 않습니까?

메타 분석이 더 이상 사용되지 않는 경우 베이지안 통계가 첫 번째 연구에서 마지막으로 적용되는지 궁금합니다.

예를 들어, 다른 시점에서 수행 된 20 개의 연구를 가정 해 봅시다. 첫 번째 연구의 추정 또는 분포는 정보 가 없는 사전 으로 수행되었습니다 . 두 번째 연구는 사후 분포를 이전과 같이 사용합니다. 새로운 사후 분포는 이제 세 번째 연구의 이전과 같이 사용됩니다.

결국 우리는 이전에 수행 된 모든 추정치 또는 데이터를 포함하는 추정치를 갖습니다. 메타 분석을하는 것이 합리적입니까?

흥미롭게도,이 분석의 순서를 변경하면 마지막 후방 분포도 추정치가 변경 될 것이라고 생각합니다.

당신이 설명하는 것을 베이지안 업데이트 라고 합니다. 후속 시험판을 교환 할 수 있다고 가정 할 경우, 사전에 순차적으로, 한 번에 또는 다른 순서로 업데이트했는지 여부는 중요하지 않습니다 (예 : 여기 또는 여기 참조 ). 이전 실험이 미래 실험에 영향을 미치는 경우 고전 메타 분석의 경우 고려할 수없는 의존성이있을 수 있습니다 (교환 성을 가정 할 경우).

베이지안 업데이트를 사용하여 지식을 업데이트하는 것은 완벽합니다. 이는 단순히 다른 방법으로 수행 한 다음 고전적인 메타 분석을 사용하기 때문입니다. 그것이 전통적인 메타 분석을 쓸모 없게하는지 아닌지에 대한 의문은 의견에 근거하며 베이지안 관점을 기꺼이 채택 할 것인지에 달려 있습니다. 두 접근 방식의 가장 중요한 차이점은 베이지안의 경우 사전 가정을 명시 적으로 언급한다는 것입니다.

나는 많은 사람들이 메타 분석의 목적이 무엇인지에 대해 논쟁 할 것이라고 확신하지만, 메타 메타 수준에서 그러한 분석의 요점은 풀링 된 매개 변수 추정치를 얻는 것이 아니라 연구를 연구 하는 것입니다. 우리는 효과가 같은 방향으로 서로 일관성이 있고, 샘플 크기의 근에 대략 반비례하는 CI 경계를 갖는지 등에 관심이 있습니다. 모든 연구가 연관 또는 치료 효과에 대해 동일한 효과 크기와 크기를 가리키는 것처럼 보일 때만, 우리는 관찰 된 것이 "진실"일지도 모른다고 확신하는 경향이 있습니다.

실제로, 이질성을 설명하기 위해 임의의 효과를 갖는 여러 연구에서 증거를 수집하는 것과 같이 풀링 된 분석을 수행하는 빈번한 방법이 있습니다. 한 연구에서 다른 연구에 정보를 제공 할 수있는 방법에 대해 명시 적으로 설명 할 수 있기 때문에 베이지안 접근 방식은 이에 대한 훌륭한 수정입니다 .

마찬가지로 일반적인 (자주적인) 메타 분석에서와 같이 "연구 연구"에 대한 베이지안 접근 방식이 있지만 여기서는 설명하지 않습니다.

전향 적 연구와 달리 메타 분석을하고 싶을 때 베이지안 방법이보다 정확한 메타 분석을 얻을 수 있다고 생각합니다. 예를 들어, 베이지안 생물 통계학자인 데이비드 스 피엘 할 터 (David Spiegelhalter)는 메타 분석에 가장 일반적으로 사용되는 방법 인 DerSimonian 및 Laird 방법이 과신임을 보여 주었다. 자세한 내용은 http://www.citeulike.org/user/harrelfe/article/13264878 을 참조하십시오.

연구 수가 제한적일 때 이전 게시물과 관련하여 나는 이것을 이전 베이지안 업데이트로 생각하고 싶습니다. 이는 이전 연구의 사후 분포가 어떤 모양이든지 교환의 가정이 필요하지 않습니다. 적용 가능성 만 가정하면됩니다.

이 질문에 대한 하나의 중요한 설명.

베이지안 설정에서 메타 분석을 수행 할 수 있습니다. 그러나 베이지안 관점을 사용 한다고해서 메타 분석에서 염려해야 할 모든 것을 잊을 수 는 없습니다 !

메타 분석을위한 좋은 방법은 근본적인 효과가 반드시 연구를 위해 반드시 균일 한 연구 일 필요는 없다는 것을 인정한다는 점이다. 예를 들어 두 가지 다른 연구의 평균을 결합하려는 경우 평균을 다음과 같이 생각하면 도움이됩니다.

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

여기서 은 연구 1의 모집단 평균, 는 연구 2의 모집단 평균, 는 전 세계 관심 평균, 및 는 각 연구의 전 세계 평균과의 편차입니다. 물론, 과 크기가 매우 작기 를 희망 하지만 0을 가정하면 약간 어리 석습니다.μ 2 μ α 1 α 2 α 1 α $\mu_1$$\mu_2$$\mu$$\alpha_1$$\alpha_2$$\alpha_1$$\alpha_2$

이 모델은 빈번한 프레임 워크에 맞는 것처럼 베이지안 프레임 워크에 쉽게 맞출 수 있습니다. 내 유일한 요점은 OP의 질문 에서 베이 지안 설정에 있다면 이라고 가정하는 순진 모델을 사용하는 것으로 읽을 수 있다는 것입니다 . 이것은 여전히 ​​순진하지만 이전에 순진합니다.$\alpha = 0$

결론적으로, 베이지안 방법은 메타 분석 분야를 쓸모 없게 만들지 않습니다. 오히려 베이지안 방법은 메타 분석과 함께 잘 작동합니다.

사람들은 메타 분석을 수행 할 때 발생하는 일을 누적 적으로 분석하려고 시도했지만 주된 관심사는 더 많은 데이터를 수집 할 가치가 있는지 또는 이미 충분한 지 여부를 확인하는 것입니다. 예를 들어 J Clin Epid의 Wetterslev와 동료는 여기에 있습니다 . 동일한 저자는이 주제에 대한 많은 출판물을 가지고 있으며,이 책은 찾기가 매우 쉽습니다. 나는 그들 중 적어도 일부가 공개적 접근이라고 생각합니다.