สถิติแบบเบย์ทำให้การวิเคราะห์อภิธานศัพท์ล้าสมัยหรือไม่?

ฉันแค่สงสัยว่าสถิติของเบย์จะถูกนำมาใช้ตั้งแต่การศึกษาครั้งแรกจนถึงครั้งสุดท้ายหรือไม่หากนี่เป็นการวิเคราะห์เมตาดาต้าที่ล้าสมัย

ตัวอย่างเช่นสมมติว่ามีการศึกษา 20 ครั้งซึ่งทำในเวลาที่ต่างกัน การประเมินหรือการกระจายของการศึกษาครั้งแรกได้ทำกับuninformativeก่อน การศึกษาที่สองใช้การแจกแจงหลังเป็นแบบก่อน การกระจายหลังใหม่นี้ใช้ก่อนหน้านี้สำหรับการศึกษาที่สามเป็นต้น

ในตอนท้ายเรามีการประมาณการซึ่งมีการประมาณการหรือข้อมูลทั้งหมดที่เคยทำมาก่อน มันสมเหตุสมผลหรือไม่ที่จะทำการวิเคราะห์อภิมาน?

ที่น่าสนใจฉันคิดว่าการเปลี่ยนลำดับของการวิเคราะห์นี้จะเปลี่ยนการกระจายของหลังสุดด้วยความเคารพประมาณการ

สิ่งที่คุณจะอธิบายเรียกว่าคชกรรมปรับปรุง หากคุณสามารถสันนิษฐานได้ว่าการทดลองที่ตามมาสามารถแลกเปลี่ยนกันได้มันจะไม่เกิดขึ้นหากคุณอัปเดตตามลำดับก่อนหน้านี้ทั้งหมดในคราวเดียวหรือในลำดับอื่น (ดูเช่นที่นี่หรือที่นี่ ) โปรดสังเกตว่าหากการทดสอบก่อนหน้ามีอิทธิพลต่อการทดสอบในอนาคตของคุณดังนั้นในกรณีของการวิเคราะห์อภิมานแบบดั้งเดิมก็จะมีการพึ่งพาซึ่งไม่ได้นำมาพิจารณาประกอบ (หากสมมติว่าสามารถแลกเปลี่ยนได้)

มันเหมาะสมอย่างยิ่งที่จะอัพเดทความรู้ของคุณโดยใช้การปรับปรุงแบบเบย์เนื่องจากเป็นอีกวิธีหนึ่งในการทำมันจากนั้นใช้การวิเคราะห์อภิมานแบบดั้งเดิม คำถามถ้ามันทำให้การวิเคราะห์อภิมานแบบดั้งเดิมล้าสมัยหรือไม่นั้นขึ้นอยู่กับความคิดเห็นและขึ้นอยู่กับว่าคุณยินดีที่จะยอมรับมุมมองแบบเบย์ ความแตกต่างที่สำคัญที่สุดระหว่างทั้งสองวิธีคือในกรณีแบบเบย์คุณจะต้องระบุสมมติฐานก่อนหน้านี้อย่างชัดเจน

ฉันแน่ใจว่าคนจำนวนมากจะโต้แย้งว่าจุดประสงค์ของการวิเคราะห์เมตาคืออะไร แต่บางทีในระดับเมตา - เมตาจุดของการวิเคราะห์เช่นนี้คือเพื่อศึกษาการศึกษาแทนที่จะได้รับการประมาณค่าพารามิเตอร์ร่วม เราสนใจว่าเอฟเฟกต์จะสอดคล้องกันหรือไม่ในทิศทางเดียวกันมีขอบเขต CI ที่แปรผกผันกับรากของขนาดตัวอย่างโดยประมาณและอื่น ๆ เฉพาะเมื่อการศึกษาทั้งหมดดูเหมือนว่าจะมีขนาดและขนาดผลเท่ากันสำหรับสมาคมหรือผลการรักษาที่เรามักจะรายงานด้วยความมั่นใจบางอย่างสิ่งที่ได้รับการสังเกตอาจเป็น "ความจริง"

อันที่จริงมีวิธีการที่ใช้บ่อยในการทำการวิเคราะห์แบบรวมกลุ่มเช่นการรวบรวมหลักฐานจากการศึกษาหลายครั้งที่มีเอฟเฟกต์แบบสุ่มเพื่ออธิบายถึงความแตกต่าง วิธีการแบบเบย์เป็นการปรับเปลี่ยนที่ดีเพราะคุณสามารถระบุได้อย่างชัดเจนว่าการศึกษาหนึ่งอาจแจ้งให้คนอื่นรู้

เช่นกันมีวิธีการแบบเบย์เพื่อ "ศึกษาการศึกษา" ในฐานะการวิเคราะห์เมตาทั่วไป (บ่อยครั้ง) อาจทำได้ แต่นั่นไม่ใช่สิ่งที่คุณกำลังอธิบายที่นี่

เมื่อเราต้องการทำการวิเคราะห์เมตาเมื่อเทียบกับการวิจัยที่คาดหวังอย่างสมบูรณ์ฉันมองว่าวิธีการแบบเบย์เป็นวิธีที่ช่วยให้เราได้รับการวิเคราะห์เมตาที่แม่นยำยิ่งขึ้น ตัวอย่างเช่นนักชีววิทยาชีวะแบบเบย์ของ David Spiegelhalter แสดงให้เห็นเมื่อหลายปีก่อนว่าวิธีการที่ใช้กันมากที่สุดสำหรับการวิเคราะห์อภิมานคือวิธี DerSimonian และ Laird นั้นมีความมั่นใจมากเกินไป ดูhttp://www.citeulike.org/user/harrelfe/article/13264878สำหรับรายละเอียด

ที่เกี่ยวข้องกับการโพสต์ก่อนหน้านี้เมื่อจำนวนการศึกษามี จำกัด ฉันชอบที่จะคิดว่านี่เป็นการปรับปรุงแบบเบย์ซึ่งช่วยให้การกระจายหลังจากการศึกษาก่อนหน้าเป็นรูปแบบใด ๆ และไม่ต้องการสมมติฐานของการแลกเปลี่ยน มันแค่ต้องมีข้อสมมติฐานของการบังคับใช้

การชี้แจงที่สำคัญอย่างหนึ่งเกี่ยวกับคำถามนี้

คุณสามารถทำการวิเคราะห์เมตาในการตั้งค่าแบบเบย์อย่างแน่นอน แต่การใช้มุมมองแบบเบย์นั้นไม่อนุญาตให้คุณลืมทุกสิ่งที่คุณควรกังวลในการวิเคราะห์อภิมาน!

ส่วนใหญ่โดยตรงไปยังจุดที่วิธีการที่ดีสำหรับการวิเคราะห์ meta รับทราบว่าผลกระทบพื้นฐานไม่จำเป็นต้องศึกษาแบบสม่ำเสมอเพื่อศึกษา ตัวอย่างเช่นหากคุณต้องการรวมค่าเฉลี่ยจากการศึกษาสองแบบที่แตกต่างกันมันจะมีประโยชน์มากถ้าคิดว่าหมายถึง

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

$\mu_1$$\mu_2$$\mu$$\alpha_1$$\alpha_2$$\alpha_1$$\alpha_2$

$\alpha = 0$

ดังนั้นโดยสรุปไม่วิธีการแบบเบย์ไม่ทำให้การวิเคราะห์อภิมานล้าสมัย แต่วิธีการแบบเบย์ทำงานได้อย่างดีพร้อมกันกับการวิเคราะห์เมตา

ผู้คนพยายามวิเคราะห์ว่าจะเกิดอะไรขึ้นเมื่อคุณทำการวิเคราะห์อภิมา ณ แม้ว่าความกังวลหลักของพวกเขาคือการสร้างว่ามันคุ้มค่าในการรวบรวมข้อมูลมากขึ้นหรือตรงกันข้ามว่าเพียงพอหรือไม่ สำหรับ Wetterslev อินสแตนซ์และเพื่อนร่วมงานใน J Clin epid ที่นี่ ผู้เขียนคนเดียวกันมีสิ่งพิมพ์จำนวนมากในหัวข้อนี้ซึ่งหาง่ายพอสมควร ฉันคิดว่าอย่างน้อยบางคนก็สามารถเข้าถึงได้