Czy statystyki bayesowskie powodują, że metaanaliza staje się przestarzała?

Zastanawiam się tylko, czy statystyki bayesowskie byłyby konsekwentnie stosowane od pierwszego badania do ostatniego, jeśli to sprawia, że ​​metaanaliza staje się przestarzała.

Na przykład załóżmy 20 badań, które zostały wykonane w różnych punktach czasowych. Oszacowania lub dystrybucji pierwszego badania dokonano z nieinformacyjnym wyprzedzeniem . Drugie badanie wykorzystuje wcześniejszy rozkład tylny. Nowy rozkład boczny jest teraz stosowany jako poprzedni dla trzeciego badania i tak dalej.

Na koniec mamy oszacowanie, które zawiera wszystkie oszacowania lub dane, które zostały wykonane wcześniej. Czy sensowne jest wykonanie metaanalizy?

Co ciekawe, przypuszczam, że zmiana kolejności tej analizy zmieniłaby również szacunek ostatniego rozkładu bocznego.

To, co opisujesz, nazywa się aktualizacją bayesowską . Jeśli możesz założyć, że kolejne próby są wymienne, to nie będzie miało znaczenia, czy aktualizowałeś wcześniej swoją sekwencję, wszystkie na raz, czy w innej kolejności (patrz np. Tutaj lub tutaj ). Zauważ, że jeśli poprzednie eksperymenty wpłyną na twoje przyszłe eksperymenty, to również w przypadku klasycznej metaanalizy istniałaby zależność, która nie byłaby brana pod uwagę (przy założeniu wymienności).

Uaktualnianie wiedzy za pomocą aktualizacji bayesowskiej ma sens, ponieważ jest to po prostu inny sposób na zrobienie tego, niż użycie klasycznej metaanalizy. Pytanie, czy sprawia, że ​​tradycyjna metaanaliza staje się przestarzała, czy nie, opiera się na opiniach i zależy od tego, czy chcesz przyjąć punkt widzenia Bayesa. Najważniejszą różnicą między tymi dwoma podejściami jest to, że w przypadku Bayesa wyraźnie określasz swoje wcześniejsze założenia.

Jestem pewien, że wiele osób spiera się o cel metaanalizy, ale być może na poziomie meta-meta celem takiej analizy jest zbadanie badań, a nie uzyskanie zbiorczej oceny parametru. Interesuje nas, czy efekty są spójne między sobą, w tym samym kierunku, mają granice CI, które są odwrotnie proporcjonalne do przybliżonej wielkości podstawy próbki i tak dalej. Tylko wtedy, gdy wszystkie badania wydają się wskazywać na ten sam rozmiar i wielkość efektu skojarzenia lub efektu leczenia, mamy tendencję do zgłaszania z pewną pewnością, że to, co zaobserwowano, może być „prawdą”.

Rzeczywiście istnieją częste sposoby przeprowadzania zbiorczej analizy, takie jak po prostu agregowanie dowodów z wielu badań z efektami losowymi w celu uwzględnienia niejednorodności. Podejście bayesowskie jest miłą modyfikacją tego, ponieważ możesz wyraźnie powiedzieć, w jaki sposób jedno badanie może pomóc w innym.

Równie dobrze istnieją bayesowskie podejścia do „studiowania badań”, co może zrobić typowa (częsta) metaanaliza, ale nie o tym tutaj mówisz.

Kiedy chce się przeprowadzić metaanalizę w przeciwieństwie do badań w pełni prospektywnych, uważam metody bayesowskie za pozwalające uzyskać dokładniejszą metaanalizę. Na przykład bayesowski biostatysta David Spiegelhalter wykazał lata temu, że najczęściej stosowana metoda metaanalizy, metoda DerSimonian i Laird, jest zbyt pewna siebie. Szczegółowe informacje można znaleźć na stronie http://www.citeulike.org/user/harrelfe/article/13264878 .

W związku z wcześniejszymi postami, gdy liczba badań jest ograniczona, wolę myśleć o tym jak o aktualizacji bayesowskiej, która pozwala na dowolny rozkład rozkładu z poprzednich badań i nie wymaga założenia wymienności. Wymaga jedynie założenia zastosowania.

Ważne wyjaśnienie tego pytania.

Z pewnością możesz wykonać metaanalizę w ustawieniach bayesowskich. Ale samo użycie perspektywy bayesowskiej nie pozwala zapomnieć o wszystkich rzeczach, na które powinieneś zwrócić uwagę podczas metaanalizy!

Najbardziej bezpośrednio chodzi o to, że dobre metody metaanalizy potwierdzają, że podstawowe efekty niekoniecznie muszą być jednorodne. Na przykład, jeśli chcesz połączyć średnią z dwóch różnych badań, warto pomyśleć o środkach jako

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

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

$\alpha = 0$

Podsumowując, nie, metody bayesowskie nie powodują, że pole metaanalizy staje się przestarzałe. Zamiast tego metody bayesowskie działają dobrze w parze z metaanalizami.

Ludzie próbowali analizować, co dzieje się, gdy wykonujesz metaanalizę łącznie, chociaż ich głównym celem jest ustalenie, czy warto gromadzić więcej danych, czy też odwrotnie, czy wystarczająca ilość już wystarcza. Na przykład Wetterslev i koledzy z J Clin Epid tutaj . Ci sami autorzy mają wiele publikacji na ten temat, które są dość łatwe do znalezienia. Myślę, że przynajmniej niektóre z nich mają otwarty dostęp.