Liệu thống kê Bayes có làm cho phân tích tổng hợp trở nên lỗi thời?

Tôi chỉ tự hỏi liệu thống kê Bayes sẽ được áp dụng từ nghiên cứu đầu tiên đến nghiên cứu cuối cùng nếu điều này làm cho một phân tích tổng hợp lỗi thời.

Ví dụ: giả sử 20 nghiên cứu đã được thực hiện ở các mốc thời gian khác nhau. Ước tính hoặc phân phối của nghiên cứu đầu tiên được thực hiện với một thông tin không chính xác trước đó. Nghiên cứu thứ hai sử dụng phân phối sau như trước. Phân phối sau mới hiện được sử dụng như trước cho nghiên cứu thứ ba, v.v.

Cuối cùng, chúng tôi có một ước tính chứa tất cả các ước tính hoặc dữ liệu đã được thực hiện trước đó. Liệu nó có ý nghĩa để làm một phân tích tổng hợp?

Thật thú vị, tôi cho rằng việc thay đổi thứ tự của phân tích này cũng sẽ thay đổi phân phối sau cùng, một cách trân trọng, ước tính.

Những gì bạn đang mô tả được gọi là cập nhật Bayes . Nếu bạn có thể cho rằng các thử nghiệm tiếp theo có thể trao đổi, thì sẽ không có vấn đề gì nếu bạn cập nhật liên tục trước đó, tất cả cùng một lúc hoặc theo thứ tự khác (xem ví dụ tại đây hoặc tại đây ). Lưu ý rằng nếu các thử nghiệm trước đó ảnh hưởng đến các thử nghiệm trong tương lai của bạn, thì trong trường hợp phân tích meta cổ điển, sẽ có một sự phụ thuộc không được xem xét (nếu giả sử khả năng trao đổi).

Thật ý nghĩa khi cập nhật kiến ​​thức của bạn bằng cách cập nhật Bayes, vì đó đơn giản là một cách khác để thực hiện, sau đó sử dụng phân tích tổng hợp cổ điển. Câu hỏi nếu nó làm cho phân tích meta truyền thống trở nên lỗi thời, hay không, là dựa trên ý kiến ​​và phụ thuộc vào việc bạn có sẵn sàng áp dụng quan điểm Bayes hay không. Sự khác biệt quan trọng nhất giữa cả hai phương pháp là trong trường hợp Bayes, bạn nêu rõ các giả định trước đó của mình.

Tôi chắc rằng nhiều người sẽ tranh luận về mục đích của phân tích meta là gì, nhưng có lẽ ở cấp độ meta, quan điểm của phân tích đó là nghiên cứu các nghiên cứu thay vì ước tính tham số gộp. Chúng tôi quan tâm đến việc liệu các hiệu ứng có nhất quán với nhau, cùng hướng hay không, có giới hạn CI tỷ lệ nghịch với gốc của cỡ mẫu xấp xỉ, v.v. Chỉ khi tất cả các nghiên cứu dường như chỉ ra cùng một kích thước và mức độ ảnh hưởng đối với mối liên hệ hoặc hiệu quả điều trị, chúng ta mới có xu hướng báo cáo, với một số niềm tin, rằng những gì đã được quan sát có thể là một "sự thật".

Thật vậy, có nhiều cách thường xuyên tiến hành phân tích gộp, chẳng hạn như chỉ tổng hợp bằng chứng từ nhiều nghiên cứu với các hiệu ứng ngẫu nhiên để giải thích cho sự không đồng nhất. Một cách tiếp cận Bayes là một sửa đổi tốt đẹp về điều này, bởi vì bạn có thể rõ ràng về cách một nghiên cứu có thể thông báo cho một nghiên cứu khác.

Cũng như vậy, có những cách tiếp cận Bayes để "nghiên cứu các nghiên cứu" như một phân tích meta điển hình (thường xuyên) có thể làm, nhưng đó không phải là những gì bạn mô tả ở đây.

Khi một người muốn thực hiện phân tích tổng hợp trái ngược với nghiên cứu đầy triển vọng, tôi xem các phương pháp Bayes là cho phép một người có được phân tích tổng hợp chính xác hơn. Ví dụ, nhà sinh học Bayesian David Spiegelhalter đã chỉ ra nhiều năm trước rằng phương pháp được sử dụng phổ biến nhất để phân tích tổng hợp, phương pháp DerSimonia và Laird, là quá tự tin. Xem http://www.citeulike.org/user/harrelfe/article/13264878 để biết chi tiết.

Liên quan đến các bài đăng trước đây khi số lượng nghiên cứu bị hạn chế, tôi thích nghĩ về điều này như cập nhật Bayes, cho phép phân phối sau từ các nghiên cứu trước có hình dạng bất kỳ và không yêu cầu giả định về khả năng trao đổi. Nó chỉ đòi hỏi giả định về khả năng áp dụng.

Một làm rõ quan trọng về câu hỏi này.

Bạn chắc chắn có thể thực hiện phân tích tổng hợp trong cài đặt Bayes. Nhưng chỉ đơn giản là sử dụng phối cảnh Bayes không cho phép bạn quên đi tất cả những điều bạn nên quan tâm trong phân tích tổng hợp!

Trực tiếp nhất là vấn đề là các phương pháp tốt để phân tích tổng hợp thừa nhận rằng các tác động cơ bản không nhất thiết phải nghiên cứu thống nhất để nghiên cứu. Ví dụ, nếu bạn muốn kết hợp giá trị trung bình từ hai nghiên cứu khác nhau, sẽ hữu ích khi nghĩ về các phương tiện như

$\mu_1 = \mu + \alpha_1$

$\mu_2 = \mu + \alpha_2$

$\alpha_1 + \alpha_2 = 0$

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

$\alpha = 0$

Vì vậy, kết luận, không, các phương pháp Bayes không làm cho lĩnh vực phân tích tổng hợp trở nên lỗi thời. Thay vào đó, các phương pháp Bayes hoạt động độc đáo với các phân tích tổng hợp.

Mọi người đã cố gắng phân tích những gì xảy ra khi bạn thực hiện phân tích gộp một cách tích lũy mặc dù mối quan tâm chính của họ là thiết lập liệu có đáng để thu thập thêm dữ liệu hay ngược lại liệu đã đủ chưa. Ví dụ, Wetterslev và các đồng nghiệp trong J Clin Epid tại đây . Các tác giả tương tự có một số ấn phẩm về chủ đề này khá dễ tìm. Tôi nghĩ rằng ít nhất một số trong số họ là truy cập mở.